In recent years, it has been shown that the motion of kinematic chains can be estimated using measurements from inertial sensors placed on segments connected by rotational joints. These methods specifically avoid using magnetometer measurements, which are known to cause issues since the magnetic field at the different sensor locations is typically different. They rely on the assumption that the motion of the kinematic chain is sufficiently rich to assure / yield observability of the relative pose. However, a formal investigation of this crucial requirement has not yet been presented and no specific conditions for observability have so far been given. In this work, we present an observability analysis and show that the relative pose of the body segments is indeed observable under a very mild condition on the motion. We support these results by a simulation study, in which we also show the effect of stationary periods in the data and of the amount of excitation on the accuracy of the estimates. We use experimental data from a human gait experiment to show that the excitation level is sufficient for obtaining accurate estimates even when the subject remains stationary for a period of 47 seconds halfway during the experiment.


翻译:近些年来,人们已经表明,动脉链的动作可以使用旋转接合点相连接的段段上的惯性传感器的测量数据来估计,这些方法特别避免使用磁强计测量,因为不同传感器位置的磁场通常不同,因此众所周知,磁强计测量会造成问题,它们所依据的假设是,动脉链的运动足够丰富,足以确保/产生相对构成的可观察性。然而,尚未对这一关键要求进行正式调查,而且迄今也没有给出可观察性的具体条件。在这项工作中,我们提出易观察性分析,并表明在运动的非常温和的条件下确实可以看到身体部分的相对面貌。我们通过模拟研究来支持这些结果,在模拟研究中,我们还展示了数据中静止期和引力量对估计准确性的影响。我们使用人类实验的实验数据来证明,即使在实验期的中间47秒钟内,引力水平足以获得准确的估计数。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
因果关联学习,Causal Relational Learning
专知会员服务
182+阅读 · 2020年4月21日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
GAN新书《生成式深度学习》,Generative Deep Learning,379页pdf
专知会员服务
202+阅读 · 2019年9月30日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【泡泡前沿追踪】跟踪SLAM前沿动态系列之IROS2018
泡泡机器人SLAM
29+阅读 · 2018年10月28日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年3月30日
Arxiv
0+阅读 · 2021年3月26日
Arxiv
10+阅读 · 2018年3月23日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【泡泡前沿追踪】跟踪SLAM前沿动态系列之IROS2018
泡泡机器人SLAM
29+阅读 · 2018年10月28日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员