機(jī)器之心專欄

機(jī)器之心編輯部

(資料圖)

近年來，基于慣性的人體動作捕捉技術(shù)迅速發(fā)展。它們通過在人體上穿戴慣性傳感器，實(shí)時測量人體的運(yùn)動信息。然而，這就好比一個人在蒙著眼睛走路——我們可以感受到身體的運(yùn)動，但隨著時間的累積，我們越來越難以確定自己的位置。

本文則試圖打開慣性動作捕捉的「眼睛」。通過額外佩戴一個手機(jī)相機(jī)，我們的算法便有了「視覺」。它可以在捕獲人體運(yùn)動的同時感知環(huán)境信息，進(jìn)而實(shí)現(xiàn)對人體的精確定位。該項(xiàng)研究來自清華大學(xué)徐楓團(tuán)隊(duì)，已被計算機(jī)圖形學(xué)領(lǐng)域國際頂級會議SIGGRAPH2023接收。

論文地址：https://arxiv.org/abs/2305.01599

項(xiàng)目主頁：https://xinyu-yi.github.io/EgoLocate/

開源代碼：https://github.com/Xinyu-Yi/EgoLocate

簡介

隨著計算機(jī)技術(shù)的發(fā)展，人體感知和環(huán)境感知已經(jīng)成為現(xiàn)代智能應(yīng)用中不可或缺的兩部分。人體感知技術(shù)通過捕捉人體運(yùn)動和動作，可以實(shí)現(xiàn)人機(jī)交互、智能醫(yī)療、游戲等應(yīng)用。而環(huán)境感知技術(shù)則通過重建場景模型，可以實(shí)現(xiàn)三維重建、場景分析和智能導(dǎo)航等應(yīng)用。兩個任務(wù)相互依賴，然而國內(nèi)外現(xiàn)有技術(shù)大多獨(dú)立地處理它們。研究團(tuán)隊(duì)認(rèn)為， 人體運(yùn)動和環(huán)境的組合感知對于人類與環(huán)境互動的場景非常重要 。首先，人體和環(huán)境同時感知可以提高人類與環(huán)境互動的效率和安全性。例如，在自動駕駛汽車中，同時感知駕駛員的行為和周圍環(huán)境可以更好地保證駕駛的安全性和順暢性。其次，人體和環(huán)境同時感知可以實(shí)現(xiàn)更高級別的人機(jī)交互，例如，在虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)中，同時感知用戶的動作和周圍環(huán)境可以更好地實(shí)現(xiàn)沉浸式的體驗(yàn)。因此，人體和環(huán)境同時感知可以為我們帶來更高效、更安全、更智能的人機(jī)交互和環(huán)境應(yīng)用體驗(yàn)。

基于此， 清華大學(xué)徐楓團(tuán)隊(duì)提出了僅使用6個慣性傳感器（IMU）和1個單目彩色相機(jī)的同時實(shí)時人體動作捕捉、定位和環(huán)境建圖技術(shù) （如圖1所示）。慣性動作捕捉（mocap）技術(shù)探索人體運(yùn)動信號等「內(nèi)部」信息，而同時定位與建圖（SLAM）技術(shù)主要依賴「外部」信息，即相機(jī)捕捉的環(huán)境。前者具有良好的穩(wěn)定性，但由于沒有外部正確的參考，全局位置漂移在長時間運(yùn)動中會累積；后者可以高精度地估計場景中的全局位置，但當(dāng)環(huán)境信息不可靠時（例如沒有紋理或存在遮擋），就容易出現(xiàn)跟蹤丟失。

因此，本文有效將這兩種互補(bǔ)的技術(shù)（mocap和SLAM）結(jié)合起來。通過在多個關(guān)鍵算法上進(jìn)行人體運(yùn)動先驗(yàn)和視覺跟蹤的融合，實(shí)現(xiàn)了魯棒和精確的人體定位和地圖重建。

圖1 本文提出同時人體動作捕捉與環(huán)境建圖技術(shù)

具體地，本研究將6個IMU穿戴在人的四肢、頭和后背上，單目彩色相機(jī)固定在頭部并向外拍攝。這種設(shè)計受到真實(shí)人類行為的啟發(fā)：當(dāng)人類處于新環(huán)境中時，他們通過眼睛觀察環(huán)境并確定自己的位置，從而在場景中計劃他們的運(yùn)動。

在我們的系統(tǒng)中，單目相機(jī)充當(dāng)人類的眼睛，為本技術(shù)提供實(shí)時場景重建和自我定位的視覺信號，而IMU則測量人體四肢和頭部的運(yùn)動。這套設(shè)置兼容現(xiàn)有VR設(shè)備，可利用VR頭顯中的相機(jī)和額外佩戴的IMU進(jìn)行穩(wěn)定無漂移的全身動捕和環(huán)境感知。 整個系統(tǒng)首次實(shí)現(xiàn)了僅基于6個IMU和1個相機(jī)的同時人體動作捕捉和環(huán)境稀疏點(diǎn)重建，運(yùn)行速度在CPU上達(dá)到60fps，并在精度上同時超過了兩個領(lǐng)域最先進(jìn)的技術(shù)。 該系統(tǒng)的實(shí)時示例如圖2和圖3所示。

圖2 在70米的復(fù)雜運(yùn)動中，本系統(tǒng)精確跟蹤人體位置并捕捉人體動作，無明顯位置漂移。

?圖3 本系統(tǒng)同時重建人體運(yùn)動和場景稀疏點(diǎn)的實(shí)時示例。

方法介紹

圖4 方法總體流程

系統(tǒng)的任務(wù)是從6個IMU傳感器的朝向和加速度測量值和相機(jī)拍攝的彩色圖片中實(shí)時重建出人體運(yùn)動、三維場景稀疏點(diǎn)云、并定位人在場景中的位置。我們設(shè)計了一個深度耦合的框架，以充分利用稀疏慣性動作捕捉和SLAM技術(shù)的互補(bǔ)優(yōu)勢。在這個框架中，人體運(yùn)動先驗(yàn)與SLAM的多個關(guān)鍵組件相結(jié)合，SLAM的定位結(jié)果也回饋給人體運(yùn)動捕捉。如圖4所示，根據(jù)功能，我們將系統(tǒng)劃分為四個模塊：慣性動作捕捉模塊（Inertial Motion Capture）、相機(jī)跟蹤模塊（Camera Tracking）、建圖和閉環(huán)檢測模塊（Mapping & Loop Closing）和人體運(yùn)動更新模塊（Body Translation Updater）。以下分別介紹各個模塊。

慣性動作捕捉

相機(jī)跟蹤

建圖和閉環(huán)檢測

建圖和閉環(huán)檢測模塊利用關(guān)鍵幀重建稀疏地圖點(diǎn)并檢測人體是否到達(dá)曾去過的位置以修正累計誤差。在建圖過程中，我們使用 動作捕捉約束的光束平差法（Bundle Adjustment，BA）同時優(yōu)化稀疏地圖點(diǎn)位置和關(guān)鍵幀相機(jī)位姿，并引入地圖點(diǎn)置信度以動態(tài)平衡動作捕捉約束項(xiàng)和重投影誤差項(xiàng)的相對強(qiáng)弱關(guān)系 ，從而提高結(jié)果精度。當(dāng)人體運(yùn)動發(fā)生閉環(huán)時，進(jìn)行 動作捕捉輔助的位姿圖優(yōu)化（Pose Graph Optimization）以修正閉環(huán)誤差 。最終得到優(yōu)化后的稀疏地圖點(diǎn)位置和關(guān)鍵幀位姿 ，用于下一幀算法運(yùn)行。

具體地，本模塊首先根據(jù)地圖點(diǎn)的觀測情況計算其置信度，用于后續(xù)BA優(yōu)化。如下圖5所示，根據(jù)觀測到地圖點(diǎn)的關(guān)鍵幀的位置，本模塊計算關(guān)鍵幀基線長度bi和觀測視角θi以確定地圖點(diǎn)i的置信度，其中k為控制系數(shù)。

圖5 （a）地圖點(diǎn)置信度計算。（b）相同的基線長度b1=b2，更大的觀測視角（藍(lán)色）可以更好地抵抗相機(jī)位姿的擾動，導(dǎo)致更小的地圖點(diǎn)位置誤差（e1

隨后，同時優(yōu)化最近20個關(guān)鍵幀相機(jī)位姿和它們觀測到的地圖點(diǎn)。其他看見這些地圖點(diǎn)的關(guān)鍵幀位姿則在優(yōu)化中固定不變。記所有可優(yōu)化的關(guān)鍵幀集合為K0，所有固定的關(guān)鍵幀集合為Kf，關(guān)鍵幀j測到的地圖點(diǎn)的集合記為Xj。記

表示需要優(yōu)化的關(guān)鍵幀朝向和三維位置，

表示地圖點(diǎn)位置。則該動作捕捉約束的光束平差法優(yōu)化定義為：

圖6 動作捕捉約束的光束平差法優(yōu)化因子圖表示。

當(dāng)軌跡閉環(huán)被檢測到后，系統(tǒng)進(jìn)行閉環(huán)優(yōu)化?；贠RB-SLAM3[2]，記位姿圖中的頂點(diǎn)集合為F，邊的集合為C。則動作捕捉約束的位姿圖優(yōu)化定義為：

人體運(yùn)動更新

人體運(yùn)動更新模塊利用相機(jī)跟蹤模塊優(yōu)化后的相機(jī)位姿及可信度，更新動作捕捉模塊給出的人體全局位置。該模塊使用Kalman濾波器的預(yù)測-校正算法實(shí)現(xiàn)。其中，動作捕捉模塊提供恒定方差的人體運(yùn)動加速度，可用于人體全局位置的預(yù)測（先驗(yàn)分布）；而相機(jī)跟蹤模塊給出相機(jī)位置觀測和置信度，用于人體全局位置的校正（后驗(yàn)分布）。其中，相機(jī)位置觀測的協(xié)方差矩陣近似通過匹配的地圖點(diǎn)數(shù)量計算為如下的對角陣：

其中為小數(shù)避免除數(shù)為0。即相機(jī)跟蹤中成功匹配的地圖點(diǎn)數(shù)量越多，相機(jī)位姿觀測的方差越小。利用Kalman濾波算法，最終預(yù)測人體全局位置。

更詳細(xì)的方法介紹和公式推導(dǎo)請參考論文原文及附錄部分。

實(shí)驗(yàn)

對比Mocap

本文方法主要解決了稀疏慣性動作捕捉（Mocap）中全局位置漂移的問題，因此選取主要測試指標(biāo)為人體全局位置誤差。在TotalCapture和HPS兩個公開數(shù)據(jù)集上和SOTA mocap方法TransPose[3]、TIP[4]和PIP[1]的定量測試結(jié)果對比如下表1所示，定性測試結(jié)果對比如下圖7和圖8所示?？梢钥吹奖疚姆椒ㄔ谌侄ㄎ痪壬洗蠓^前人慣性動作捕捉方法（在TotalCapture和HPS上分別提升41%和38%），軌跡與真值的相似度最高。

表1 和慣性動作捕捉工作的全局位置誤差定量對比（單位：米）。TotalCapture數(shù)據(jù)集以動作進(jìn)行分類，HPS數(shù)據(jù)集以場景進(jìn)行分類。針對我們的工作，我們測試9次并匯報中位數(shù)和標(biāo)準(zhǔn)差。

圖7 和慣性動作捕捉工作的全局位置誤差定性對比。真值用綠色表示，不同方法預(yù)測結(jié)果用藍(lán)色表示。每個圖片的角落中展示了人體的運(yùn)動軌跡和當(dāng)前位置（橙色圓點(diǎn)）。

圖8 和慣性動作捕捉工作的全局位置誤差定性對比（視頻）。真值用綠色表示，本文方法為白色，前人工作的方法使用其他不同顏色（見圖例）。

對比SLAM

本文從定位精度和地圖重建精度兩個角度分別和SOTA SLAM工作ORB-SLAM3[2]的單目和單目慣性版本進(jìn)行了對比。定位精度的定量對比結(jié)果如表2所示。地圖重建精度的定量對比結(jié)果如表3所示，定性對比結(jié)果如圖9所示。可以看到，本文方法相比SLAM大幅提高了系統(tǒng)魯棒性、定位精度和地圖重建精度。

表2 和SLAM工作的定位誤差定量對比（誤差單位：米）。M/MI分別表示ORB-SLAM3的單目/單目慣性版本，On/Off表示SLAM的實(shí)時和離線結(jié)果。由于SLAM經(jīng)常跟蹤丟失，針對SLAM我們分別匯報了完整序列（Full）和成功跟蹤的幀（Tracked）上的平均定位誤差；本文方法不存在跟蹤丟失情況，因此我們匯報完整序列的結(jié)果。每個方法測試9次并匯報中位數(shù)和標(biāo)準(zhǔn)差。對于成功跟蹤的幀上的誤差，我們額外匯報了成功的百分比。如果一個方法失敗過多次，我們標(biāo)記它為失?。ㄓ谩?”表示）。

表3 和SLAM工作的地圖重建誤差定量對比（誤差單位：米）。M/MI分別表示ORB-SLAM3的單目/單目慣性版本。針對三個不同場景（辦公室、室外、工廠），我們測試所有重建的3D地圖點(diǎn)距離場景表面幾何的平均誤差。每個方法測試9次并匯報中位數(shù)和標(biāo)準(zhǔn)差。如果一個方法失敗過多次，我們標(biāo)記它為失敗（用“-”表示）。

圖9 和SLAM工作的地圖重建誤差定性對比。我們展示了不同方法重建的場景點(diǎn)，顏色表示每個點(diǎn)的誤差。

除此之外，本系統(tǒng)通過引入人體運(yùn)動先驗(yàn)，針對視覺跟蹤丟失的魯棒性大幅提高。在視覺特征較差時，本系統(tǒng)可以利用人體運(yùn)動先驗(yàn)持續(xù)跟蹤，而不會像其他SLAM系統(tǒng)一樣跟蹤丟失并重置或創(chuàng)建新地圖。如下圖10所示。

圖10 和SLAM工作的遮擋魯棒性比較。右上角展示了真值軌跡參考。由于SLAM初始化的隨機(jī)性，全局坐標(biāo)系和時間戳沒有完全對齊。

關(guān)于更多的實(shí)驗(yàn)結(jié)果，請參考論文原文、項(xiàng)目主頁及論文視頻。

總結(jié)

本文提出了第一個將慣性動作捕捉 (inertial mocap) 與 SLAM 相結(jié)合，實(shí)現(xiàn)實(shí)時同時進(jìn)行人體動作捕捉、定位和建圖的工作。該系統(tǒng)足夠輕量，只需要人體穿戴稀疏的傳感器，包括 6 個慣性測量單元和一個手機(jī)相機(jī)。對于在線跟蹤，mocap 和 SLAM 通過約束優(yōu)化和 Kalman 濾波技術(shù)進(jìn)行融合，從而實(shí)現(xiàn)更準(zhǔn)確的人體定位。對于后端優(yōu)化，通過將人體運(yùn)動先驗(yàn)融入SLAM 中的光束平差優(yōu)化和閉環(huán)優(yōu)化，進(jìn)一步減少定位和建圖誤差。

本研究旨在將人體感知與環(huán)境的感知融合在一起。盡管本工作主要關(guān)注定位方面，但我們相信，這項(xiàng)工作邁出了聯(lián)合運(yùn)動捕捉和精細(xì)環(huán)境感知與重建的第一步。

參考文獻(xiàn)

[1] Xinyu Yi, Yuxiao Zhou, Marc Habermann, Soshi Shimada, Vladislav Golyanik, Christian Theobalt, and Feng Xu. 2022. Physical Inertial Poser (PIP): Physics-aware Real-time Human Motion Tracking from Sparse Inertial Sensors. In IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).

[2] Carlos Campos, Richard Elvira, Juan J. Gómez, José M. M. Montiel, and Juan D. Tardós. 2021. ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM. IEEE Transactions on Robotics 37, 6 (2021), 1874–1890.

[3] Xinyu Yi, Yuxiao Zhou, and Feng Xu. 2021. TransPose: Real-time 3D Human Translation and Pose Estimation with Six Inertial Sensors. ACM Transactions on Graphics 40 (08 2021).

[4] Yifeng Jiang, Yuting Ye, Deepak Gopinath, Jungdam Won, Alexander W. Winkler, and C. Karen Liu. 2022. Transformer Inertial Poser: Real-Time Human Motion Reconstruction from Sparse IMUs with Simultaneous Terrain Generation. In SIGGRAPH Asia 2022 Conference Papers.

標(biāo)簽：