[논문 리뷰] Automatic Joint Parameter Estimation from Magnetic Motion Capture Data

James F. O’Brien, Robert E. Bodenheimer외 2명|arXiv (Cornell University)|2000. 01. 01.

Human Motion and Animation참고 문헌 27인용 수 183

한 줄 요약

이 논문은 외부 측정이 없이 자기장 운동 캡처 데이터에서 관절 파라미터—예를 들어 사지 길이, 관절 위치 및 센서 오프셋—을 자동으로 추정하는 방법을 제시한다. 선형 최소 제곱법을 사용해 센서 변환 데이터에 회전 관절 모델을 피팅함으로써 알고리즘은 계층적 뼈대를 추론하고, 인간 피험자, 시뮬레이션, 물리적 연결 장치에서 검증된 높은 정확도를 달성한다. 오차는 1.5cm 이하이다.

ABSTRACT

This paper describes a technique for using magnetic motion capture data to determine the joint parameters of an articulated hierarchy. This technique makes it possible to determine limb lengths, joint locations, and sensor placement for a human subject without external measurements. Instead, the joint parameters are inferred with high accuracy from the motion data acquired during the capture Session. The parameters are computed by performing a linear least squares fit of a rotary joint model to the input data. A hierarchical structure for the articulated model can also be determined in situations where the topology of the model is not known. Once the system topology and joint parameters have been recovered, the resulting model can be used to perform forward and inverse kinematic procedures. We present the results of using the algorithm on human motion capture data, as well as validation results obtained with data from a simulation and a wooden linkage of known dimensions.

연구 동기 및 목표

• 운동 캡처에서 사지 길이 및 관절 오프셋을 수동 측정할 필요를 제거하기 위해.
• 운동 데이터만으로도 관절이 연결된 도형의 계층적 구조를 자동으로 추론하기 위해.
• 피험자 해부학적 구조나 센서 배치에 대한 사전 지식 없이도 정확한 정방향 및 역방향 운동학을 가능하게 하기 위해.
• 교정이 비현실적인 실시간 또는 상호작용형 응용 분야를 지원하기 위해.
• 비율이 다른 디지털 캐릭터에 운동 데이터를 매핑하기 위한 강력하고 자동화된 사전처리 단계를 제공하기 위해.

제안 방법

• 자기장 운동 캡처 센서의 전역 변환 행렬을 입력으로 사용한다.
• 센서 쌍 간의 변환 데이터에 대해 선형 최소 제곱법을 사용해 회전 관절 모델을 피팅하여 관절 중심을 추정한다.
• 운동 중 서로에 대해 고정된 위치를 유지하는 센서 쌍 간의 공통 점을 식별한다.
• 센서 쌍 간의 피팅 품질을 평가하기 위해 잔차 오차 지표를 계산한다.
• 잔차를 간의 가중치로 사용해 최소 스패닝 트리를 구성함으로써 계층적 위상 구조를 추론한다.
• 관절 위치와 위계를 조합하여 전체 관절 모델을 재구성한다.

실험 결과

연구 질문

• RQ1 외부 측정 없이 운동 데이터만으로 관절 중심과 사지 길이를 정확하게 추정할 수 있는가?
• RQ2 위계적 위상 구조가 알려져 있지 않은 상황에서 운동 데이터로부터 얼마나 잘 계층적 위상을 복원할 수 있는가?
• RQ3 측정된 진짜 값과 비교해 추정된 파라미터의 정확도는 어떠한가?
• RQ4 실제 노이즈와 비이상적인 관절 동작을 다룰 수 있는가?
• RQ5 가림이나 센서 드리프트로 인한 모호한 마커 할당을 알고리즘이 탐지하고 처리할 수 있는가?

주요 결과

• 다양한 인간 피험자와 운동 시퀀스에서 사지 길이 추정 평균 오차가 1.5cm 이하로 나타났다.
• 정확한 치수를 알고 있는 나무로 만든 연결 장치에서 알고리즘이 진짜 값과 0.3cm 이내로 사지 길이를 추정했다.
• 시뮬레이션에서는 하위 밀리미터 수준의 정확도로 관절 파라미터를 복원하여 노이즈에 대한 강건성을 확인했다.
• 운동 데이터만으로도 계층적 위상이 성공적으로 재구성되었으며, 최소 스패닝 트리 방법이 정확한 위상 구조를 올바르게 식별했다.
• 낮은 오차의 관절 피팅을 탐지하고 트리에 포함하지 않은 점들을 고립함으로써, 폐쇄형 구조의 사이클 탐지 가능성을 시사했다.
• 센서 노이즈와 비이상적인 관절 행동에 대해 뛰어난 내성 보존력을 보였으며, 걷기나 고립된 관절 운동과 같은 다양한 운동 유형에서 오차가 일관되었다.