日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

姿勢推定arXiv:2605.20850

SmoCap: プロキシ写像と信頼領域QPによるスケール・姿勢の統一的標準化

SmoCap: Unified Scale-Pose Canonicalization with Proxy-Mapped Trust-Region QP

シェア:XThreadsFacebookLINEはてブBluesky

スケール推定と逆運動学を分離せず、信頼領域QP内で形態と姿勢を同時推定する漏れ耐性のある標準化フレームワークを提案し、膝関節屈曲誤差2.9度などを達成した。

詳しい要約

1. どんなもの?

- ステージごとのワークフローでモデルスケーリングと逆運動学を分離すると、形態と姿勢の補償が生じ、解剖学的に不整合な解が得られる問題に対処。 - SmoCapは、スパース制御部分空間内で各ローカル信頼領域QPにおいて形態と姿勢を同時推定する、漏れ耐性のある正規化フレームワーク。 - 目的は、外部検証された統一的なスケール・姿勢フレームワークを提供し、データセット規模で実用的な運動正規化を可能にすること。

2. 先行研究と比べてどこがすごい?

- 従来のステージ分離型アプローチでは、形態と姿勢の補償が生じ、特に弱観測方向で解剖学的に不整合な解が得られる。 - SmoCapは、統一的な結合対応スケール・姿勢フレームワークにより、この問題を軽減。 - 漏れ監査において、セグメント単位スケーリングと比較して、マーカーRMSE、FE誤差、人体計測エンドポイント誤差を低減。

3. 技術・手法の肝は?

- 制約付き信頼領域QPを、解析的プロキシマップ姿勢・スケールヤコビアンを用いて解く。 - 低次元プロキシマップが弱観測方向を安定化し、協調構造を駆動。 - オプションのプレソルブが困難な構成でウォームスタートを提供。 - スパース制御部分空間内で形態と姿勢を同時推定。

4. どうやって有効だと検証した?

- コホート蛍光透視膝運動、人体計測グラウンドトゥルース、極端なヨガシーケンスで評価。 - 蛍光透視に対する膝屈曲RMSE 2.9度、プールされた人体計測エンドポイント誤差約3%を達成。 - セグメント単位スケーリングに対する漏れ監査で、マーカーRMSE、FE誤差、人体計測エンドポイント誤差を低減。 - ヨガアブレーションでプロキシ結合が表現力と協調的脊椎運動を維持し、ベースラインモデルに対するフィッティング誤差増加は+0.14 mm (+0.6%)。 - 中央値マーカーRMSE約20 mm、中央値ランタイム0.204-0.332 ms/フレーム、一貫して2-3回の反復で達成。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究や関連手法は明示されていない。同分野の定番として、inverse kinematics、trust-region QP、canonicalization、fluoroscopy-based knee motion analysis、anthropometric scaling などが挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Shihao Li, Naohiko Sugita

分類: cs.RO

原文アブストラクト

Objective: Stage-wise workflows that separate model scaling and inverse kinematics can induce morphology-posture compensation, resulting in anatomically inconsistent yet numerically acceptable solutions, especially in weakly observed directions. We present SmoCap, a leakage-resistant canonicalization framework that estimates morphology and posture jointly in each local trust-region quadratic program (QP) within a sparse control subspace. Methods: SmoCap solves a constrained trust-region QP with analytical proxy-mapped pose and scale Jacobians. The low dimensional proxy map stabilizes weakly observed directions and drives coordinated structures. An optional pre-solve provides warm starts in difficult configurations. The framework is evaluated using cohort fluoroscopy knee motion, anthropometric ground truth, and extreme yoga sequences. Results: SmoCap achieved 2.9 degree knee flexion RMSE against fluoroscopy, and a pooled anthropometric endpoint error around 3%. In the leakage audit against segment wise scaling, SmoCap also reduced marker RMSE, FE error, and anthropometric endpoint error. Proxy coupling preserved expressive and coordinated spine motion with marginal fitting error increase (+0.14 mm, +0.6%) against baseline models in yoga ablation. Median marker RMSE was around 20 mm, and median runtime was 0.204-0.332 ms/frame, achieved with consistently 2-3 iterations. Conclusion: SmoCap provides an externally validated unified coupling-aware scale-pose framework, making externally consistent motion canonicalization practical at dataset scale.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI