SIGGRAPH最佳论文：基于Transformer的惯性动捕动态校准系统
首次打破对绝对静态假设的依赖
（映维网Nweon 2025年06月24日）在一项研究中，厦门大学，伯恩茅斯大学，清华大学和卡迪夫大学团队提出了一种用于惯性动捕的动态校准系统，它能在使用过程中动态消除非静态的IMU漂移和传感器与身体间的偏移，实现了用户友好的校准（无需进行T-pose或重置 IMU 朝向 ），并确保了长期鲁棒性。
惯性动捕技术凭借高便携性和低成本优势，在VR/AR等场景中应用广泛。然而，传统IMU校准方法依赖校准参数的绝对静态假设，要求用户在使用前完成复杂的传感器坐标系校准与姿态校准，且无法应对磁场干扰、传感器偏移等动态变化，导致长期使用时测量误差显著累积，严重限制了技术的实际应用场景。
对于这个问题，研究人员提出了一种全新的传感器校准范式——动态校准，首次打破对绝对静态假设的依赖。本方法基于更为宽松的短时静态假设，使用基于Transformer的TIC Network从短时间窗口的IMU读数中解算校准参数，并结合基于旋转丰富度的校准触发器对校准参数进行动态更新，以适应真实场景中IMU坐标系动态漂移与穿戴位置变化导致的运动测量误差。
团队提出的动态校准包括：
-
用于RG′_ G和RB _ S估计的TIC网络
-
用于触发校准的Rotation Diversity（RD）
图3说明了设计背后的基本原理：校准触发器模拟了人类评估给定的短运动序列是否包含足够信息以确定其自然性的能力，而TIC网络模拟了人类通过校准推断原始运动的能力。另外，基于RD过滤掉不可靠的结果，以满足假设中的分集要求。图4直观地展示了动态校准工作流程。
与传统静态校准相比，动态校准使骨骼方向测量误差（OME）降低69.6%，加速度测量误差（AME）降低49.2%，同时在消费级IMU及专业设备验证了有效性，证明了技术的普适性。
相关论文：Transformer IMU Calibrator: Dynamic On-body IMU Calibration for Inertial Motion Capture
总的来说，研究人员提出了一种创新的稀疏惯性动捕系统动态定标方法，打破了传统惯性单元定标的绝对静态假设，团队的主要创新包括：
-
在两个宽松的假设下进行实时校准参数估计，即它们在短窗口内的变化可以忽略不计，并且人类运动在窗口内提供不同的IMU读数；
-
创建基于transformer的模型。它经过综合数据训练，以学习IMU读数到校准参数的映射。
这种隐式IMU校准技术可以将校准集成到常规使用中，无需显式校准过程。团队指出：“这一令人鼓舞的结果证明了我们的动态校准框架在延长捕获持续时间和扩展惯性动捕应用方面的巨大潜力。”
值得一提的是，这项研究获评为SIGGRAPH 2025最佳论文。
