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

慣性動作捕捉模塊從6個IMU測量值中估計人體姿態(tài)和運(yùn)動。本模塊的設(shè)計基于我們之前的PIP[1]工作，但本工作中不再假設(shè)場景是一個平坦的地面，而是考慮在3D空間中捕捉自由人體運(yùn)動。為此，本文對PIP的優(yōu)化算法進(jìn)行了適應(yīng)性的修改。

具體地，本模塊首先通過多階段循環(huán)神經(jīng)網(wǎng)絡(luò)從IMU測量值中預(yù)測人體關(guān)節(jié)旋轉(zhuǎn)、速度、腳和地面接觸概率。利用PIP提出的雙重PD控制器，求解人體關(guān)節(jié)最優(yōu)控制角加速度和線加速度。隨后，本模塊優(yōu)化人體的位姿加速度，使其在滿足接觸約束條件C下實(shí)現(xiàn)PD控制器給出的加速度：

其中J為關(guān)節(jié)雅可比矩陣，為與地面接觸的腳的線速度，約束C要求接觸地面的腳的速度要小（不發(fā)生滑動）。該二次規(guī)劃問題求解可以參考PIP[1]。通過姿態(tài)加速度積分從而獲得人體姿態(tài)和運(yùn)動后，可獲得綁定在人體上的相機(jī)的位姿，用于后續(xù)模塊。

相機(jī)跟蹤

相機(jī)跟蹤模塊以慣性動作捕捉模塊給出的初始相機(jī)位姿和相機(jī)拍攝的彩色圖像作為輸入，利用圖像信息優(yōu)化相機(jī)位姿，消除位置漂移。具體地，本模塊基于ORB-SLAM3[2]設(shè)計，首先提取圖像的ORB特征點(diǎn)，并和已經(jīng)重建的稀疏地圖點(diǎn)（下文介紹）利用特征相似度進(jìn)行特征匹配，得到匹配的2D-3D點(diǎn)對，進(jìn)而通過優(yōu)化重投影誤差的方法優(yōu)化相機(jī)位姿。值得注意的是，僅優(yōu)化重投影誤差可能會受錯誤匹配影響，導(dǎo)致相機(jī)位姿優(yōu)化結(jié)果較差。因此，本文在相機(jī)跟蹤優(yōu)化中融合人體運(yùn)動先驗(yàn)信息，以慣性動捕結(jié)果作為約束，限制重投影誤差的優(yōu)化過程，以及時發(fā)現(xiàn)并排除錯誤的特征點(diǎn)-地圖點(diǎn)匹配。

記地圖點(diǎn)的世界坐標(biāo)為，與之匹配的2D圖像特征點(diǎn)的像素坐標(biāo)為表示所有的匹配關(guān)系。用

表示優(yōu)化前的初始相機(jī)位姿，則本模塊優(yōu)化相機(jī)位姿R,t：

其中，為魯棒Huber核函數(shù)，將三維旋轉(zhuǎn)映射到三維向量空間，為透視投影運(yùn)算，動作捕捉旋轉(zhuǎn)和平移項(xiàng)的控制系數(shù)。該優(yōu)化進(jìn)行3次，每次都根據(jù)重投影誤差將2D-3D匹配分類成正確或錯誤，在下一次優(yōu)化中只有正確匹配被使用，錯誤匹配則被刪除。通過動作捕捉約束提供的強(qiáng)有力的先驗(yàn)知識，本算法可以更好地區(qū)分正確和錯誤匹配，從而提高相機(jī)跟蹤精度。解出相機(jī)位姿后，本模塊提取出正確匹配的地圖點(diǎn)對數(shù)量，并將其作為相機(jī)位姿的可信度。

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<e2）。

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：

其中，

表示關(guān)鍵幀j的上一個關(guān)鍵幀，

為動作捕捉約束項(xiàng)的系數(shù)。該優(yōu)化要求地圖點(diǎn)的重投影誤差要小，且每個關(guān)鍵幀的旋轉(zhuǎn)、相對位置要和動作捕捉的結(jié)果相近，其中地圖點(diǎn)置信度ci動態(tài)決定了動作捕捉約束項(xiàng)和地圖點(diǎn)重投影項(xiàng)之間的相對權(quán)重關(guān)系：對于未充分重建的區(qū)域，系統(tǒng)更傾向于相信動作捕捉的結(jié)果；反之，若一個區(qū)域被反復(fù)觀測到，系統(tǒng)則更相信視覺跟蹤。該優(yōu)化的因子圖表示如下圖6所示。

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。基于ORB-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：

其中，為關(guān)鍵幀j的位姿，為位姿圖優(yōu)化之前關(guān)鍵幀i和j之間的相對位姿，為動作捕捉獲得的相機(jī)位姿初值，將位姿映射到六維向量空間，為動作捕捉約束項(xiàng)的相對系數(shù)。該優(yōu)化以動作捕捉先驗(yàn)為指導(dǎo)，將閉環(huán)誤差分散到各個關(guān)鍵幀上。

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。可以看到本文方法在全局定位精度上大幅超過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)記它為失敗（用“-”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。