動的な人間動作下でのキャリブレーション不要なIMU相対姿勢推定

- 磁力計を用いない IMU ベースの相対姿勢推定手法を提案する研究。 - 拡張 Kalman filter (EKF) により相対 IMU 姿勢と sensor location を同時推定。 - offline の sensor location calibration も global orientation anchor も不要。 - 歩行や複合タスクなど dynamic human motion 下での利用を想定。

- 既存の magnetometer-free IMU 法は rigid-body constraints で drift を低減できるが、事前 calibration 済み sensor location、hinge joint 等の joint model 仮定、限られた motion type、外部 global orientation reference を要することが多い。 - 本手法は sensor location の offline calibration と global orientation anchor を不要にした点が異なる。 - foot strike 等の高周波 impact や noisy measurement の数値微分への対処も明示的に扱う。

- 相対 IMU 姿勢と sensor location を同時推定する extended Kalman filter (EKF) を構築。 - rigid-body constraint を適用する前に low-pass filter (LPF) で実信号の outlier を軽減。 - 推定品質が motion-intensity の要因に依存することを示す。 - 相対姿勢は joint center acceleration に依存。 - sensor location は relative angular velocity に依存。

- 系統的な simulation study を実施し、相対姿勢と sensor location 推定の品質が異なる motion-intensity 要因に依存することを確認。 - OpenSense dataset の実 IMU 計測を使用。 - 被験者4名、下肢3種類の joint type。 - walking および各種 motion type を含む complex tasks。 - 相対姿勢誤差は全体で 2.61°。 - offline-estimated sensor locations を用いる baseline は 10.40°。 - marker-derived sensor locations を用いる baseline は 7.43°。

- 提案する calibration-free 推定 framework は実 IMU data を効果的に扱い、offline sensor location calibration なしで高精度な相対姿勢を達成できると主張。 - 高周波 impact や noisy measurement の数値微分への対処として LPF を rigid-body constraint 前に用いる点に言及。 - 具体的な限界や失敗事例、計算コスト、他 dataset への一般化については要旨からは不明。

- 要旨で比較対象として挙げられている offline-estimated sensor locations を用いる baseline と marker-derived sensor locations を用いる baseline の元研究。 - 評価に用いられた OpenSense dataset の関連論文。 - magnetometer-free IMU と rigid-body constraints を用いた joint motion estimation の先行研究。 - extended Kalman filter (EKF) による IMU 姿勢・位置同時推定の関連手法。