为全身Avatar而生，Facebook研发灵活的6D姿态电磁追踪方案( 二 )

文章图片
实验发现， EM-POSE可准确重建弓步、下蹲等容易产生遮挡的复杂下半身运动，同时也可以忠实还原交叉手臂的动作。此外，开合跳、走路等动态动作也可以准确呈现。 12颗传感器的方案误差最多仅31.8毫米、13.3° ，而6颗传感器的方案，误差可控制在35.4毫米、14.9°以下。
实际上，基于电磁传感的定位方案已经不是新鲜技术，上世纪60年代的时候，就已经在军事领域得到应用。而且，目前市面上也已经有许多基于电磁传感的定位系统，它们具备不同的追踪范围、采样率/刷新率、硬件外观等特征。

文章图片
而对于C端VR场景，科研人员认为现有技术还无法满足需求，因为传感器体积过大，或是需要连接线，限制用户移动。除此之外，姿态传感器还需要足够方便穿脱，可长时间佩戴，才能更吸引C端消费者。相比之下， EM-POSE支持无线传感，而且通过优化，还有望将传感器从12颗降低至6颗。据悉，为了用最少的传感器来完成全身姿态追踪，该团队研发了一个两部分解决方案，第一步是根据培训数据来推测姿态，接着再用算法来优化准确性。

文章图片
在训练姿态学习算法过程中，科研人员也遇到了一些难题，比如：1 ，电磁传感的准确性会根据距离加长而降低，因此不同姿态的追踪准确性也不同；2 ，如何减少传感器，避免在使用者身上穿戴过多设备，因此需要通过算法来推断无法追踪到的关节运动；3 ，预测传感器和皮肤之间的距离，可稳定计算误差。

文章图片
另外， 6个传感器的姿态识别方案缺少约束；电磁传感的准确性受距离影响，因此对不同姿态的识别准确性也有差异；识别皮肤与传感器之间细微距离的准确性要高，以避免传感器滑动产生误差。
为了优化算法，科研人员采用了学习式迭代拟合法中的LGD框架来训练。基于LGD框架训练的算法准确性更高，而且速度比纯优化的模型要快几个数量级。采用LGD学习框架，通过神经网络来学习梯度的动态变化，以加速姿态预测的过程。
总之， EM-POSE方案将电磁基站和传感器固定在VR用户身上，因此如果配合Quest等一体机使用时，应用场景将更灵活，不管是玩游戏还是社交，你不会再受到空间或连接线限制，而这也是未来C端应用的需求之一。参考：ETH