Inertial Measurement Unit
PulseAugur coverage of Inertial Measurement Unit — every cluster mentioning Inertial Measurement Unit across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法改进零样本人类活动识别
研究人员开发了一种新方法，利用惯性测量单元（IMU）数据来改进零样本学习在人类活动识别中的应用。他们的方法侧重于通过优化原型表示来弥合传感器数据与语义理解之间的差距。通过采用对比训练和使用更具描述性的文本原型，他们在识别未见过活动的准确性方面取得了显著提高。
-
新的OLIVE框架实现了自适应外骨骼控制
研究人员开发了OLIVE，一个用于可穿戴外骨骼在线学习的新颖框架。该系统通过仅更新控制策略的低秩分量，有效地将外骨骼控制适应于个体用户和动态环境。OLIVE利用机载传感器反馈进行个性化，并根据地形动态调整其更新复杂度，在步态平稳性、省力性和运动稳定性方面取得了显著改进。
-
新方法通过改进的惯性里程计增强运动跟踪
研究人员开发了两种改进惯性里程计的新方法，这是一种仅使用惯性测量单元（IMU）进行运动跟踪的技术。第一种方法MARIO整合了基于人体运动学的学习姿态先验，并融合了来自磁力计和气压计等辅助传感器的数据，将位置漂移减少了高达42%。第二种方法FDIO将IMU信号分解为低频和高频分量，使用Mamba模块处理长距离运动，使用卷积模块处理局部动力学，与现有基线相比显著降低了误差。
-
Ultra Diffusion Poser 利用 UWB 和 IMU 数据改进人体运动跟踪
研究人员开发了 Ultra Diffusion Poser，这是一种新的人体运动跟踪扩散模型，它集成了来自稀疏惯性传感器和超宽带 (UWB) 测距的数据。该模型明确考虑了 UWB 距离测量带来的几何约束，而这些约束之前未被充分利用。通过重建 3D 传感器布局并将此信息与 IMU 信号一起使用，该模型显著提高了姿态估计的准确性，与现有方法相比，关节位置误差最多可减少 22%。
-
新的基于IMU的手写识别模型显示出改进的书写者独立性
研究人员开发了一种使用惯性测量单元（IMU）数据进行独立于书写者的手写识别的新模型，解决了书写风格变化带来的挑战。该模型采用CNN编码器和基于BiLSTM的解码器，与现有方法相比，显示出更高的鲁棒性和效率。它在基于单词的数据集上实现了7.37%的字符错误率，并在不同年龄组之间表现出强大的泛化能力，预示着其在实际应用中的潜力。
-
新模型推进AR眼镜传感器行为识别
研究人员开发了一种新方法，利用头戴式惯性测量单元（IMU）的数据来识别复杂的人类行为，IMU常见于AR智能眼镜中。他们创建了一个大型数据集和一个名为HiT-HAR的分层模型，该模型显著改进了现有的基于IMU的识别系统。该研究还分析了IMU传感器在区分不同行为方面的局限性，强调了时间上下文和场景特定结构在模型架构中的重要性。
-
新的AVI-HT方法通过视觉-IMU融合改进3D手部追踪
研究人员开发了AVI-HT，一种新颖的3D手部追踪方法，可自适应地融合来自手套式IMU传感器和以自我为中心的摄像头的数据。该方法显著提高了精度和可用性，尤其是在视觉遮挡严重的情况下，如手与物体交互。该系统利用同步的多模态训练数据和跨传感器深度注意力机制来动态调整对视觉和IMU输入的依赖程度。
-
AnyMo框架实现设置无关的人体运动建模
研究人员开发了AnyMo，一个新颖的框架，旨在克服从可穿戴惯性测量单元（IMU）建模人体运动中的设置依赖性挑战。该系统利用基于物理的模拟来生成合成数据，使图编码器能够学习对传感器放置和设备变化不敏感的表示。AnyMo将多位置IMU数据进行分词，并将其与大型语言模型对齐以增强运动理解，在零样本活动识别、跨模态检索和运动描述方面取得了显著改进。
-
新基准和方法应对低光照、相机抖动下的动作识别
研究人员推出了 DarkShake-DVS，这是一个专为在具有挑战性的低光照和高动态场景下进行人体动作识别而设计的新基准数据集。该数据集包含超过 18,000 个真实世界剪辑，并附带同步的 IMU 数据，以解决现有事件驱动视觉研究的局限性。他们还提出了一种新颖的方法 EIS-HAR，该方法结合了运动补偿和混合架构，以改进时空特征提取和动作识别。
-
新基准利用事件相机解决运动中的无人机检测问题
研究人员推出了 M$^2$E-UAV，这是一个新的基准和分析框架，旨在解决使用机载事件相机检测小型无人机的挑战，特别是在复杂的运动中运动场景下。该设置解决了观察者和目标同时移动时出现的困难，导致背景杂波遮挡无人机。该基准包含一个大型数据集，在各种环境条件下拥有超过 87,000 个训练样本和近 22,000 个验证样本。使用基于点的事件模型 M$^2$E-Point 的初步分析显示出有希望的结果，达到了很高的 F1 分数，尽管基于惯性…
-
Motion-MLLM 通过自我运动数据增强 3D 场景理解
研究人员开发了 Motion-MLLM，一个将惯性测量单元 (IMU) 的自我运动数据与视频相结合的新框架，以增强用于 3D 场景理解的多模态大语言模型 (MLLM)。该方法使用级联运动-视觉关键帧过滤模块和非对称跨模态融合模块，将视觉内容与物理轨迹相结合，从而能够推理绝对尺度和空间关系。评估表明，与现有方法相比，Motion-MLLM 在实现具有竞争力的准确性的同时，显著提高了处理速度。
-
自主航行器融合声纳与GPS实现精确海底测绘
研究人员开发了一个新的框架，利用自主水面航行器在具有挑战性的浅水浑浊水域进行海底测绘。该系统融合了声纳数据与GPS和IMU读数，采用傅里叶-梅林变换进行局部框架对齐，并使用扩展卡尔曼滤波器进行全局轨迹优化。现场试验表明，与以前的方法相比，漂移误差减少了9.5%，实现了亚米级重建精度和高分辨率纹理保持，这对于牡蛎储量估算等应用至关重要。
-
TACO管线融合IMU和跨视图地理定位以实现精确导航
研究人员开发了TACO，这是一个新管线，它将惯性测量单元（IMU）数据与细粒度的跨视图地理定位（CVGL）紧密集成，可在没有连续GNSS信号的情况下实现精确的定位。该系统旨在在GNSS不可靠的环境中提供准确的位置修复，例如城市峡谷或信号干扰区域。TACO在KITTI数据集上展示了绝对轨迹误差的显著降低，从97.0米提高到16.3米，同时保持了较低的计算成本。
-
新的HARMES数据集结合了运动、环境和音频数据用于活动识别
研究人员推出HARMES，一个用于可穿戴人体活动识别的新多模态数据集。该数据集结合了来自腕戴设备的运动传感、环境数据和音频，总计包含20名参与者进行家务活动超过80小时的数据。HARMES旨在提高对日常生活活动的识别能力，因为单一模态的识别可能存在歧义，并且该数据集比以往同类数据集规模更大。