基于深度学习的二维人体姿态估计研究进展

人体姿态估计在人体行为识别、人机交互、体育运动分析等方面有着广泛的应用前景,是计算机视觉领域的一个研究热点。在最近的十年中,得益于深度学习技术,大量的研究工作极大地推动了人体姿态估计技术的发展,但由于受训练样本不足、人体姿态的多变性、遮挡、环境的复杂性等因素影响,人体姿态估计仍然面临着诸多的挑战。文中对近年来基于深度学习的2D人体姿态估计方法进行归纳和总结,着重分析一些有代表性的人体姿态估计方法的思路及工作原理,以便研究人员了解当前的研究现状、面临的挑战以及今后的研究方向,拓展研究思路。

基于深度学习的超大直径盾构姿态预测研究

传统的盾构姿态纠偏措施多是在盾构机实际轴线已经偏离设计轴线之后采取的被动控制措施,具有一定的滞后性,而盾构姿态纠偏不及时会给施工过程和完成后的隧道本身带来严重的危害。为了准确预测盾构姿态偏差,为提前纠偏提供决策支持,本文依托江阴—靖江长江隧道超大直径盾构施工项目,提出一种基于CNN-EMD-LSTM的深度学习模型,该模型既能捕捉时间序列的维度特征和时变特征,又能提高盾构姿态数据分解重构方法的预测精度;通过消融实验对CNN-EMD-LSTM模型中每个部分的重要性进行探讨,并对CNN-EMD-LSTM模型在不同窗口长度、不同滑动步长下的预测效果进行对比。研究结果表明:CNN-EMD-LSTM模型对超大直径盾构姿态的预测效果较好;可以通过调节不同推进区间的压力进行盾构姿态纠偏;CNN-EMD-LSTM模型中各个部分按重要性从大到小排序依次为EMD、CNN、LSTM;窗口长度过大或过小都会增大模型预测误差,而滑动步长越小模型的预测效果越好。

基于机器学习的盾构姿态预测模型与控制方法研究

为避免盾构轴线偏离引发衬砌管片错台、开裂等质量与安全问题,提出一种基于机器学习算法的盾构姿态智能预测模型与控制方法。以盾构掘进施工的实测数据为驱动,通过贝叶斯优化(BO)与支持向量回归(SVR)构建盾构姿态预测模型,挖掘施工参数-地层信息-盾构姿态三者间的非线性关系。结合模拟退火算法(SA)形成可控施工参数动态调整的盾构姿态控制方法,并将其应用于福州滨海快线南—三区间隧道的工程实践。主要结论如下:1)经数据预处理、特征筛选及BO超参数优化,基于SVR的盾构姿态预测模型具备优异的预测性能和泛化能力;2)结合SA算法进行可控施工参数调整时,需设置合理的优化规则,以确保所推荐的可控施工参数具备可操作性;3)将姿态控制方法应用于南—三区间后续掘进施工以辅助纠偏,盾尾垂直偏差在10环掘进过程中由45 mm减至18 mm,实现了连续稳定纠偏。

自行车控制人骑/推行姿态参数测量实验

该研究提出手工及软件辅助两种测量自行车骑/推行姿态的方法,并通过物理实验测得自行车控制人的背角、上臂抬高角、肘部弯曲角、左/右侧大腿抬高角及膝盖弯曲角共7种姿态参数。统计分析发现,背角、大腿抬高角是区分骑/推行姿态的主要特征参数,当控制人背角α>12°且大腿抬高角θ≤60°时为骑行;当控制人背角α≤12°且大腿抬高角θ>60°时为推行。以此为基础提出判断骑/推行姿态的方法。对464张真实照片的判别结果显示,仅凭一张图就能准确判别出90.3%的骑/推行姿态,说明了该方法的有效性。这种方法是一种测量自行车控制人骑/推行姿态的低成本解决方案。

融入双注意力和姿态增强的3D人体姿态估计

尽管3D人体姿态估计已经在高速发展,但现有的3D人体姿态估计模型对特征的判别能力较弱,无法有效地获取多通道以及空间特征信息,仿真效果受到影响。对此,以VideoPose3D和PoseAug作为基础网络进行改进得到融入双重注意力以及姿态增强的高效姿态估计网络CSNet。通过在结合了PoseAug的姿态估计器里融入通道注意力和空间注意力,构造CS-Block模块作为基础模块,提升特征的精准度和全面度,以应对遮挡、深度的不确定性等问题。在公开数据集Human 3.6M进行验证和测试,结果显示,相比于原来的模型,上述方法的平均关节位置误差降低了3.4%,提升了3D人体姿态估计模型的精确度,并利用改进后的算法识别人体关键点并驱动虚拟人物仿真,获得更好的仿真效果。

基于姿态枚举算法的三自由度机械臂抗推绕姿态控制方法

由于现行方法在三自由度机械臂抗推绕姿态控制中应用效果不佳,机械臂倾角变化量较大,针对现行方法存在的不足和缺陷,提出基于姿态枚举算法的三自由度机械臂抗推绕姿态控制方法。建立三自由度机械臂运动学数学模型,通过求解确定机械臂末端位姿,采用插值法对机械臂运动轨迹离散化,确定离散点坐标差,采用位姿枚举算法对机械臂末端位姿枚举,抵抗末端位姿推绕变化,实现基于姿态枚举算法的三自由度机械臂抗推绕姿态控制。经实验证明,在设计方法应用下机械臂倾角变化量在2°以内,可以有效抵抗机械臂推绕运动,保证机械臂姿态稳定性。

基于图像压缩采样的人体运动姿态评估与应用

为了保证人体运动安全,为运动姿态的调整提供数据支持,提出基于图像压缩采样的人体运动姿态评估方法。利用图像压缩采样技术获取人体运动图像,从边缘和纹理两个方面,提取人体运动特征。采用特征匹配的方式,完成对人体运动姿态的识别与跟踪。构建人体运动姿态评估指标体系,根据识别与跟踪数据计算评估指标的具体取值,采用主成分分析法求解评估指标权重,完成人体运动姿态的评估。通过应用实验得出结论:与传统评估方法相比,优化设计方法的姿态评估误差减小约0.3,同时评估对象的人体损伤程度明显降低,即优化设计方法在应用性能方面具有明显优势。

基于Transformer的三维人体姿态估计及其动作达成度评估

针对人机交互、医疗康复等领域存在的人体姿态分析与评估问题,本文提出了一种基于Transformer的三维人体姿态估计及其动作达成度评估方法。首先,本文定义了人体姿态的关键点及关节角,并在深度位姿估计网络(DPEN)的基础上,提出并构建了一个基于Transformer的三维人体姿态估计模型(TPEM),Transformer的引入能够更好的提取人体姿态的长时序特征;其次,利用TPEM模型对三维人体姿态估计结果,设计了基于加权3D关节角的动态时间规整算法,在时序上对不同人物同一动作的姿态进行姿态关键帧的规整匹配,并据此提出了动作达成度评估方法,用于给出动作的达成度分数;最后,通过在不同数据集上进行实验验证,TPEM在Human3.6 M数据集上实现了平均关节点误差为37.3 mm,而基于加权3D关节角的动态时间规整算法在Fit3D数据集上的平均误差帧数为5.08,展现了本文所提方法在三维人体姿态估计与动作达成度评估方面的可行性和有效性。

基于深度学习的二维单人姿态估计综述

人体姿态估计是计算机视觉领域的一项关键技术,它通过检测人体关键点以识别人体姿态。随着深度学习的快速发展,其已成为人体姿态估计的主流技术并取得了显著进展。围绕单人姿态估计问题,从数据预处理、网络架构设计、监督学习方法以及后处理技术四个维度对基于深度学习的单人姿态估计研究进行回顾,同时探讨关键点表征的新方式及Transformer模型在该领域的应用,此外还介绍了常用的数据集和性能估计指标,深入讨论当前单人姿态估计领域的挑战和发展方向。

基于数据驱动的盾构竖向姿态预测深度学习模型

在盾构掘进过程中,竖向姿态控制难度较大,盾体常与设计轴线产生偏差。为解决既有盾构姿态预测模型无法准确提取数据特征和有效去除数据噪声的问题,充分挖掘盾构掘进实测数据时间序列信息,依托合肥地铁7号线耕耘路站—清潭路站区间盾构隧道工程,对收集的掘进数据进行预处理,包括去除停机状态数据及异常数据,提出用于盾构竖向姿态预测的CNN-LSTM组合模型,并将测试集上的模型预测结果与传统回归模型进行对比,最后对不同样本数量及固定网络参数时的模型性能进行研究。研究结果表明:CNN-LSTM组合模型对盾构竖向姿态的预测效果较好,在测试集上的预测平均绝对误差E_(MA)和均方根误差E_(RMS)较低,同时预测的决定系数R^(2)较高,表明模型具有较小的预测误差和较高的预测精度;与ARIMA、LSTM和SVR模型相比,CNN-LSTM模型在测试集上预测的R^(2)分别提高了1.04%、19.75%和79.63%,此外,模型的预测E_(MA)和E_(RMS)较低,并且训练耗时显著降低;不同训练集样本数量对CNN-LSTM模型性能有一定影响,当训练集样本数量与测试集样本数量之比为4:1时,模型预测的R^(2)最高,表明此时模型具有最佳的预测性能;增加训练集样本数量可能导致过拟合问题,降低模型的泛化能力,减少训练集样本数量则可能导致欠拟合问题,使模型在测试集上的预测精度下降;固定部分网络参数可以有效减少训练参数量和训练时间,同时提高模型的预测精度,当固定4层网络参数时,模型预测性能最佳,预测的R^(2)为0.93,预测的E_(MA)和E_(RMS)分别为0.029和0.048,训练耗时为46 s。

航天器姿态机动规划技术研究进展

以航天器多约束姿态控制为背景,围绕姿态机动路径的复杂约束处理问题,对姿态机动规划技术的规划模型、方法研究现状与未来发展趋势进行了论述、分析与归纳。首先介绍了航天器姿态机动规划模型,随后梳理并总结了航天器姿态机动规划技术发展历程及现状,从方法逻辑、设计思想等方面对姿态机动规划方法进行分类和关键技术分析,进一步根据技术发展脉络和未来航天任务需求,提出了航天器姿态机动规划技术的若干发展趋势。

基于渐进高斯滤波融合的多视角人体姿态估计

针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题,提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法.首先,设计分层性能评估方法对多视觉量测进行分类处理,以适应视觉遮挡引起的量测不确定性问题.其次,构建分布式渐进贝叶斯滤波融合框架,以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性.特别地,针对量测统计特性变化问题,利用局部估计间的交互信息来引导渐进量测更新,从而隐式地补偿量测不确定性.最后,仿真与实验结果表明,相比于现有的方法,所提的人体姿态估计方法具有更高的准确性和鲁棒性.

基于正弦函数拟合的高动态捷联惯导姿态更新算法

为提高捷联惯导在高动态条件下的姿态解算精度,基于等效旋转矢量泰勒级数展开法,提出一种基于正弦函数拟合的高动态捷联惯导姿态更新算法。以正弦函数拟合载体运动角速度,考虑Bortz方程高阶项的影响,对陀螺角增量表示的旋转矢量进行泰勒六阶展开,对比旋转矢量不同形式表达式求得误差补偿系数。在MATLAB平台上,以圆锥运动与大角速率转动并存环境作为仿真条件,对所提算法与传统算法进行对比仿真分析。仿真结果表明,在小半锥角低频圆锥运动伴随高速角速率转动情况下,所提算法性能较好,当半锥角为0.5°、角频率为2.26πrad/s、常值角速率为5.30 rad/s、姿态解算周期为0.02 s时,所提正弦函数拟合三子样旋转矢量算法与传统扩展形式频率级数/显示频率三子样圆锥算法相比误差降低了2个数量级。

时变指向约束下姿态参数空间离散化路径规划方法

为满足深空探测器在复杂动态环境约束下的姿态机动任务需求,解决时变指向约束下姿态路径规划求解困难、路径优化性能差的问题,提出了一种基于修正罗德里格斯参数(MRP)和动态路径搜索的姿态参数空间离散化路径规划方法。通过MRP空间的笛卡尔网格划分和非奇异空间构建,实现航天器姿态的参数空间离散化和指向约束表征。考虑指向约束的时变动态特性,在三维动态空间中搜索初始到目标姿态的机动路径,并引入路径节点的时间特性,在约束冲突时对路径进行实时修正,设计非奇异空间时变约束路径搜索算法,生成执行路径节点序列。进一步,对生成的路径节点进行插值拟合,基于逆动力学方法计算角速度和控制力矩,完成姿态机动轨迹规划。仿真结果验证了该方法的有效性,可为深空探测器在时变指向约束下规划出姿态机动执行路径。

液压支架关键姿态参数测量系统

针对现有液压支架姿态监测方法测量参数不全面、精度和可靠性不高、工况环境适应性差等问题,提出一种直接测量与间接测量相结合的液压支架关键姿态参数测量系统,研制了以DSP为核心、以MEMS惯导为测量元件、具备LoRa无线通信功能的姿态传感器。分析得出了影响液压支架支护姿态的关键参数,其中底座、前连杆、掩护梁和顶梁与水平面夹角及推移步距采用直接测量方式,支护高度、立柱与平衡千斤顶长度采用间接测量方式。该系统包括安装于底座、前连杆、掩护梁、顶梁处的4个姿态传感器和1个安装于底座的红外激光测距传感器,采用LoRa无线通信方式组网。底座处的姿态传感器作为网关(即网关传感器),用于测量底座与水平面的夹角,控制红外激光测距传感器测量推移步距,并解算支护高度、立柱长度和平衡千斤顶长度;其他3处的姿态传感器作为节点(即节点传感器),用于测量前连杆、掩护梁和顶梁与水平面的夹角,并将获得的角度信息上报至网关传感器。测试结果表明,姿态角测量的最大绝对误差为0.2°,支护高度、立柱长度、平衡千斤顶长度测量的最大百分比相对误差分别为0.78%,0.72%,0.83%,推移步距测量的最大绝对误差为1.9 mm。以ZY9000/22/45D型液压支架为例,分析其在不同姿态角范围下的误差分布,得到支护高度最大测量误差为27.4 mm,立柱长度最大测量误差为16.6 mm。

航天器姿态受限的协同势函数族设计方法

提出一种考虑航天器姿态约束的协同势函数设计方法,在姿态全局收敛的同时,保证姿态在机动过程中始终满足姿态约束.首先,建立航天器姿态指向约束模型,并针对每一个指向约束设计软约束区域;然后,基于“角度扰动”方法设计协同势函数族;接着,通过设计协同势函数族内函数切换规律,在软约束区域内构建满足姿态约束的势函数,并给出区域内势函数临界点分布的调整方法;最后,将所得的势函数用于航天器的避障控制,以比例-微分控制为例,通过数值仿真,验证该方法的有效性.

一种基于Madgwick-EKF融合算法的卫星姿态测量方法

针对低地球轨道卫星姿态测量时,传感器易受噪声干扰、陀螺仪漂移等问题,提出一种基于Madgwick扩展卡尔曼滤波合算法(EKF)的卫星姿态测量方法。该方法采用陀螺仪、加速度计、磁强计等多传感器数据进行融合,并结合Madgwick算法和EKF算法的优点,实现姿态测量。首先,通过Madgwick算法,利用多个传感器测量数据计算初始姿态。然后,基于初始姿态和实际测量数据,应用EKF算法进行数据融合和噪声滤除,以获得最终准确的姿态估计。实验结果表明:相较Madgwick算法,本算法在测量精度上提升了65.8%,且具有较高的鲁棒性,为低地球轨道卫星姿态测量提供了一种有效的方案。

基于深度学习的二维人体姿态估计:现状及展望

二维人体姿态估计旨在从摄像机拍摄的图像中识别并定位每个行人的人体关键点.作为行人分析和理解领域的基础任务之一,人体姿态估计能够为多个下游任务和应用提供支持.近年来,随着深度学习技术的进步,人体姿态估计的研究迎来快速发展.基于图像包含的行人数量,人体姿态估计可以分为单人姿态估计和多人姿态估计两大类.本文首先介绍人体姿态估计的研究背景、问题定义、任务难点以及当前方法中的关键点表示方法.在此基础上,本文进一步总结和介绍了具有代表性的单人姿态估计和多人姿态估计方法.单人姿态估计方法包括回归法和检测法,主要关注于网络结构设计、热力图编解码、多任务学习等.对于多人姿态估计,本文分别介绍了基于热力图预测的方法和基于向量场回归的方法.随后,本文总结了当前常用的代表性数据集和性能度量方法,总结了代表性方法在几个常用数据集上的性能,对它们的预测错误的场景进行了详细分析和对比.最终,本文分析了现有二维人体姿态估计算法仍未有效解决的难题,对未来研究进行了展望.

基于主动悬架的整车车身姿态控制策略研究

针对车辆在行驶过程中产生的车身姿态失衡问题,提出了一种基于姿态补偿的主动悬架整车车身姿态控制策略。在建立整车七自由度动力学模型,并基于随机路面进行实车试验验证整车模型的准确性的基础上,构建了模型预测控制器,根据状态观测器估计的各信号求解各个悬架的垂向控制力以衰减车辆垂向振动;进而以模糊算法为基础设计车身姿态补偿控制策略,使电磁直线作动器产生反作用力以抑制车身姿态恶化。选取某型号直线电机作为主动悬架力源,将垂向控制力与姿态补偿力合并得到各悬架控制所需电磁作动力,以此计算电机所需目标电流,并通过MATLAB/Simulink平台对主动悬架系统进行仿真。仿真结果表明:所提出的基于主动悬架的整车车身姿态控制策略在不影响车辆垂向控制效果的基础上,能够大幅降低车辆质心侧倾角和俯仰角的均方根值,车身姿态得到有效控制。

基于中国乘员的汽车座椅乘坐姿态舒适性评价分级模型

为研究汽车座椅乘员姿态舒适性问题,针对影响乘员舒适性的矢状面姿态角度指标,文中提出了一种基于中国人群覆盖范围和博弈组合赋权的评价分级方法。首先,采用动作捕捉技术获取乘员各舒适姿态角度,得到角度覆盖的人群范围,从而计算各姿态角度指标得分;采用G1法和熵权法分别计算各指标的主客观权重,基于博弈组合赋权得到各指标的综合最优权重;最终,根据各指标得分及最优权重,按照加权平均方式得到汽车座椅整体姿态舒适性评分;制订5级分级标准获取汽车座椅乘坐姿态舒适性等级。通过被试乘坐汽车座椅的主观体验评分验证建立的分级模型的可行性,为国内智能座舱的座椅姿态调节模式优化设计提供指导和依据。