[논문 리뷰] A Scalable and Distributed Solution to the Inertial Motion Capture Problem

Manon Kok, Sina Khoshfetrat Pakazad외 3명|arXiv (Cornell University)|2016. 03. 21.

Inertial Sensor and Navigation참고 문헌 18인용 수 6

한 줄 요약

이 논문은 시간적 및 센서 기반 문제 구조를 활용하기 위해 맞춤형 메시지 전달을 사용하는 확장 가능하고 분산된 최적화 프레임워크를 제안한다. 시간 또는 센서/세그먼트 계층 구조에 따라 변수를 재정렬함으로써, 대규모 스무딩 문제에 대해 효율적이고 초선형 수렴을 달성할 수 있다. 중앙집중식 데이터 수집 없이도 37초 분량의 하체 데이터(17개 센서)에 대해 높은 정확도를 달성하면서 계산 및 저장 비용을 줄였다.

ABSTRACT

In inertial motion capture, a multitude of body segments are equipped with inertial sensors, consisting of 3D accelerometers and 3D gyroscopes. Using an optimization-based approach to solve the motion capture problem allows for natural inclusion of biomechanical constraints and for modeling the connection of the body segments at the joint locations. The computational complexity of solving this problem grows both with the length of the data set and with the number of sensors and body segments considered. In this work, we present a scalable and distributed solution to this problem using tailored message passing, capable of exploiting the structure that is inherent in the problem. As a proof-of-concept we apply our algorithm to data from a lower body configuration.

연구 동기 및 목표

• 최적화 기반 스무딩을 사용한 대규모 관성 운동 캡처의 높은 계산 및 저장 복잡도 문제를 해결하기 위해.
• 운동 캡처 문제에 내재된 흐문성과 구조적 특성(시간적 및 센서-세그먼트 체인/트리)을 활용하여 확장 가능한 계산을 가능하게 하기 위해.
• 센서와 신체 세그먼트 기반으로 변수를 재정렬함으로써 분산 계산을 가능하게 하여 중앙집중식 데이터 처리에 대한 의존도를 줄이기 위해.
• 이차 최적화(SQP)와 메시지 전달을 조합하여 초선형 수렴을 달성함으로써 일차 최적화 방법보다 뛰어난 성능을 내기 위해.
• 실제 하체 운동 캡처 데이터(17개 관성 센서, 37초 동안)를 대상으로 실현 가능성과 정확성을 입증하기 위해.

제안 방법

• 시간 단위로 최적화 문제를 재정렬하여 순차적 메시지 전달과 역동적 프로그래밍에 적합한 체인 구조를 형성하기 위해.
• 센서와 신체 세그먼트 기반으로 재정렬하여 분산 계산을 가능하게 하며, 중앙집중식 데이터 집계를 피하기 위해.
• 각 반복에서 검색 방향을 효율적으로 계산하기 위해 순차적 이차계획법(SQP)과 메시지 전달을 사용하기 위해.
• 시작점에서 중심으로 향하는 양방향 스윕(전진 및 후진)을 통해 표준 역동적 프로그래밍 대비 두 배의 속도 향상을 달성하기 위해.
• 헤시안 행렬과 제약 행렬의 흐문성을 활용하여 전체 대규모 문제(46,998개 변수)를 형성하고 저장하지 않기 위해.
• 각 센서/세그먼트가 로컬로 하위 문제를 계산할 수 있도록 분산 버전을 구현하여 중앙집중식 솔루션 없이도 분산 배포가 가능하게 하기 위해.

실험 결과

연구 질문

• RQ1 중앙집중식 계산의 한계를 초월하여 대규모 관성 운동 캡처 문제의 해를 스케일링하는 데 메시지 전달이 효과적으로 사용될 수 있는가?
• RQ2 시간 기반 재정렬은 장기간의 운동 캡처 데이터 처리에 있어 효율적이고 확장 가능한 해법을 가능하게 하는가?
• RQ3 센서/세그먼트 기반 재정렬을 통해 솔루션 정확도를 유지하면서도 분산형, 탈중앙화된 계산이 가능한가?
• RQ4 최적화 문제의 구조적 흐문성을 활용할 경우 계산 및 저장 비용에 어떤 이점이 있는가?
• RQ5 이러한 방법은 빅데이터 문제에서 일반적으로 사용되는 일차 최적화 방법과 비교해 수렴 속도와 정확도에서 어떻게 뛰어나게 되는가?

주요 결과

• 제안된 방법은 SQP를 통해 이차 정보를 활용함으로써 초선형 수렴을 달성하여 일차 최적화 방법의 선형 수렴보다 뚜렷이 뛰어나다.
• 시간 기반 재정렬을 통해 문제는 N_T - 1개의 하위문제로 분해되며, 전체 헤시안을 형성하지 않더라도 장기간의 데이터 세트(예: 373개 시간 단위) 처리에 대해 확장 가능한 처리가 가능해진다.
• 전체 문제 조립을 피하기 때문에 시간 단위에 대해 저장 요구량을 이차함수에서 근접한 선형 수준으로 줄일 수 있다.
• 분산 버전을 통해 각 센서/세그먼트가 자체 하위문제를 독립적으로 계산할 수 있어 중앙집중식 데이터 스트리밍이 필요 없으며, 탈중앙화된 배포가 가능해진다.
• 알고리즘은 [5]의 원래 방법과 동일한 자세 추정 결과를 도출하여 정확도를 확인하면서도 계산 효율성을 크게 향상시켰다.
• 메시지 전달 알고리즘은 표준 순차적 역동적 프로그래밍 대비 이중 스윕을 통해 O(N_T) 시간 내에 검색 방향을 계산하며, 두 배의 속도 향상을 달성한다.