[论文解读] A Scalable and Distributed Solution to the Inertial Motion Capture Problem

Manon Kok, Sina Khoshfetrat Pakazad+3 more|arXiv (Cornell University)|Mar 21, 2016

Inertial Sensor and Navigation参考文献 18被引用 6

一句话总结

本文提出了一种可扩展的分布式优化框架，用于惯性动作捕捉，通过定制的消息传递机制利用时间与传感器相关的问题结构。通过按时间或传感器/肢体层级重新排序变量，该方法实现了大规模平滑问题的高效、超线性收敛求解——在37秒的下肢数据（含17个传感器）上进行了验证——无需集中式数据收集，同时实现了高精度，并降低了计算与存储成本。

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.

研究动机与目标

• 解决基于优化的平滑方法在大规模惯性动作捕捉中面临的高计算与存储复杂度问题。
• 利用动作捕捉问题中固有的稀疏性与结构特性（时间结构与传感器-肢体链/树结构），实现可扩展计算。
• 通过基于传感器与身体部位的变量重排，实现分布式计算，减少对集中式数据处理的依赖。
• 通过结合序列二次规划（SQP）与消息传递，实现超线性收敛，优于一阶方法。
• 在37秒内、使用17个惯性传感器的真实下肢动作捕捉数据上，验证方法的可行性与准确性。

提出的方法

• 按时间步重新排序优化问题，形成适合串行消息传递与动态规划的链式结构。
• 按传感器与身体部位重新排序，实现分布式计算，避免集中式数据聚合。
• 使用带消息传递的序列二次规划（SQP），在每次迭代中高效计算搜索方向。
• 从时间边界向中心进行双向扫描（前向与后向），相比标准动态规划实现两倍速度提升。
• 利用海塞矩阵与约束矩阵的稀疏性，避免构建与存储完整的大型问题（46,998个变量）。
• 实现分布式变体，使每个传感器/肢体独立计算其子问题，实现去中心化求解，通信量最小化。

实验结果

研究问题

• RQ1 消息传递能否有效扩展大规模惯性动作捕捉问题的求解，突破集中式计算的限制？
• RQ2 基于时间的重排如何实现对长时间段动作捕捉数据的高效、可扩展求解？
• RQ3 基于传感器/肢体的重排能否实现在不损失求解精度的前提下实现分布式、去中心化计算？
• RQ4 在优化问题中利用结构稀疏性，能带来多大的计算与存储优势？
• RQ5 与大数据问题中常用的一阶方法相比，所提方法在收敛速度与精度方面表现如何？

主要发现

• 所提方法通过SQP依赖二阶信息，实现超线性收敛，显著优于具线性收敛的一阶方法。
• 采用时间重排后，问题被分解为N_T - 1个子问题，实现对长数据集（如373个时间步）的可扩展处理，无需构建完整海塞矩阵。
• 通过避免完整问题组装，将存储需求从二次方降低至接近线性，与时间步数成正比。
• 分布式变体使每个传感器/肢体可独立计算其子问题，消除对集中式数据流的依赖，支持去中心化部署。
• 该算法产生的姿态估计与文献[5]中的原始方法完全一致，证实了精度，同时大幅提升了计算效率。
• 消息传递算法通过双向扫描，实现O(N_T)时间复杂度的搜索方向计算，相比标准串行动态规划，速度提升两倍。