[论文解读] Augmenting Inertial Motion Capture with SLAM Using EKF and SRUKF Data Fusion Algorithms

Mohammad Mahdi Azarbeik, Hamidreza Razavi+2 more|arXiv (Cornell University)|Feb 16, 2023

Hand Gesture Recognition Systems参考文献 20被引用 4

一句话总结

该论文提出了一种基于四元数的EKF与SRUKF融合框架，将惯性测量单元（IMUs）与SLAM推导的位置数据相结合，利用生物力学约束和垂直参考来估计全身姿态，包括关节位置。SRUKF在精度和收敛平滑性方面优于EKF，姿态误差为1.1°，位置误差为5.87 cm，尽管计算成本高出2.4倍。

ABSTRACT

Inertial motion capture systems widely use low-cost IMUs to obtain the orientation of human body segments, but these sensors alone are unable to estimate link positions. Therefore, this research used a SLAM method in conjunction with inertial data fusion to estimate link positions. SLAM is a method that tracks a target in a reconstructed map of the environment using a camera. This paper proposes quaternion-based extended and square-root unscented Kalman filters (EKF & SRUKF) algorithms for pose estimation. The Kalman filters use measurements based on SLAM position data, multi-link biomechanical constraints, and vertical referencing to correct errors. In addition to the sensor biases, the fusion algorithm is capable of estimating link geometries, allowing the imposing of biomechanical constraints without a priori knowledge of sensor positions. An optical tracking system is used as a reference of ground-truth to experimentally evaluate the performance of the proposed algorithm in various scenarios of human arm movements. The proposed algorithms achieve up to 5.87 (cm) and 1.1 (deg) accuracy in position and attitude estimation. Compared to the EKF, the SRUKF algorithm presents a smoother and higher convergence rate but is 2.4 times more computationally demanding. After convergence, the SRUKF is up to 17% less and 36% more accurate than the EKF in position and attitude estimation, respectively. Using an absolute position measurement method instead of SLAM produced 80% and 40%, in the case of EKF, and 60% and 6%, in the case of SRUKF, less error in position and attitude estimation, respectively.

研究动机与目标

• 解决低成本IMU在惯性运动捕捉（IMC）系统中因漂移导致的绝对关节位置估计局限性。
• 将SLAM与IMU数据融合，提供无需依赖外部跟踪系统的绝对位置参考。
• 开发一种数据融合框架，利用生物力学约束估计传感器偏差和未知的关节几何结构。
• 通过先进的卡尔曼滤波技术（EKF与SRUKF）提升姿态估计的精度与收敛速度。
• 在多种人体手臂运动场景下，基于光学跟踪的真值数据评估性能。

提出的方法

• 采用基于四元数的扩展卡尔曼滤波（EKF）与平方根无迹卡尔曼滤波（SRUKF）进行非线性状态估计。
• 融合SLAM推导的绝对位置测量值与IMU数据，并结合生物力学约束（如关节活动范围限制与肢体长度关系）。
• 引入垂直参考（如重力矢量）以提升姿态估计精度并减少漂移。
• 在无初始位置先验知识的前提下，在线估计未知的关节几何结构与传感器偏差。
• 采用多关节生物力学模型，在状态估计过程中保持各肢体段之间的物理一致性。
• 实现一个数据融合流程，将SLAM、IMU与运动学约束的测量值统一整合于单一滤波框架中。

实验结果

研究问题

• RQ1 SLAM数据能否有效增强惯性运动捕捉，以估计绝对关节位置？
• RQ2 在IMU-SLAM融合中，EKF与SRUKF在精度、收敛速度与计算成本方面如何比较？
• RQ3 该融合算法在无先验知识的情况下，能在多大程度上估计未知的关节几何结构与传感器偏差？
• RQ4 引入生物力学约束在多大程度上提升了姿态估计性能？
• RQ5 基于SLAM的绝对定位与直接的绝对位置测量相比，在误差降低方面表现如何？

主要发现

• 所提出的EKF与SRUKF算法在位置与姿态估计中分别实现了5.87 cm与1.1°的平均误差。
• SRUKF在收敛后相比EKF在位置估计精度上提升17%，姿态估计精度提升36%。
• SRUKF表现出更平滑的响应与更快的收敛速率，尽管其计算成本高出2.4倍。
• 用直接绝对位置测量替代SLAM后，位置误差降低80%（EKF）与60%（SRUKF），姿态误差降低40%（EKF）与6%（SRUKF）。
• 该算法成功在无初始位置先验知识的情况下估计了未知的关节几何结构与传感器偏差。
• 生物力学约束通过强制各肢体段间保持物理合理性，显著提升了估计的稳定性和精度。