Measuring motion capture data quality for
data driven human motion synthesis
1. Introduction
In automotive industry, there is an ongoing trend to shorter life cycles and individualized products . This market-driven development to larger product variety has partly led to a reduction in end-assembly automation in high cost countries such as Germany . In order to ensure product quality and production efficiency, the resulting manual assembly processes have to be planned and verified carefully with prototypes before the actual start of production. This approach –however– contradicts to increased planning frequency.
Furthermore, the increasing number of product variants leads to an equivalently increasing demand on prototypes for product verification which drives planning cost .
Therefore, virtualizing verification of manual assembly processes is considered a competitive advantage. In physical production verification a group of process experts examine workers, who conduct the planned tasks in workshops. Issues in various fields such as process times, ergonomics and process quality are documented and solutions are found, discussed and chosen.
A straight forward approach is to replace workers and physical prototypes with a simulation expert and simulations. In field tests at Daimler this approach led to an acceptable number of identified issues within the process.
However in the workshop, the simulation model was fixed because changes required a day of re-modeling. This limitation hindered trying out new ideas and prevented solution generation. Only few solutions or process improvements were derived in the field tests.
Modelling effort with state of technology tools such as Delmia V5 Human or Tecnomatix Jack was one week for a worker process in order to get simulation quality that is acceptable for experts.
Approaches to reduce modeling and re-modeling time with partly automated planning tools such as EMA have been conducted. However, field tests at Daimler showed that for a majority of processes simulation quality from these tryouts was considered too unrealistic by process experts. Another approach is to directly record motions within process verification workshops. This approach has been successfully tested in practice. While motion quality meets requirements, verification requires time consuming manual recordings for each considered product variant.
Therefore, automating the modeling process with realistic and variant-rich motion synthesis is considered a missing enabler for virtual production verification.
2. Related Work
2.1. Motion synthesis
Generation of human motions can be manual, semi-automated or fully automated. In context of this work, only fully automated approaches are taken into account. Wright and Jordanov differentiate :
* Analytical approaches that explicitly model state equations of motion
* Central pattern generators that employ representations of the biological innate locomotion e.g. as systems of oscillators
* Neural networks mainly relying on kinematic or kinetic sensory variables as inputs
* Hidden Markov Model techniques that observe motion patterns and then reproduce them
* Rule based systems that comprise generalized state based methods
Furthermore, Gaussian process networks, which are able to generate infinite motion variations with a semantically interpretable, statistical model, have been presented e.g. by Min et al. [9] and Glardon et al .
Data driven motion synthesis approaches, which rely on motion capture data, share the issue that such data is structured, i.e. consists of consecutive frames with information about multiple jointsrsquo; positions. Concatenating this data normally reduces efficiency of the before-mentioned algorithms because of the curse of dimensionality . Besides ignoring parts of the skeleton, dimension reduction has been achieved by regarding poses and their transitions in two separate models or by using consecutive frames at a time and compressing them into low dimensional vectors. In the latter case, a popular approach is to use dynamic time warping in order to separate space and time variations and the employ principal component analysis (PCA) on both results .
PCA derives a linear projection of a high dimensional input space into a space of lower dimensionality so that the explained variance is maximized. Therefore, its effectiveness for dimension reduction is mainly influenced by the way how input data is distributed in input space. Obviously, motion capture artifacts such as jitter should affect variance. Skeleton data representation also can introduce artificial variance e.g. from joint angle singularities or meaningless quaternion rotations . Therefore, motion capture data quality after post-processing is relevant for successfully applying PCA based motion synthesis.
2.2. Motion Capture Systems
To generate plausible and variant-rich human movement via statistical motion synthesis, it is crucial to capture high precision quality training data. Therefore, commercial, state of the art motion capture systems are evaluated. Motion capture systems are commonly employed to digitalize human movement in different environments . Rolland et al. present a taxonomy of motion capture and tracking systems classified by their physical principles of operation :
* Time of flight (e.g. ultrasonic or light)
* Spatial scan (e.g. optical outside-in cameras)
* Inertial sensing (e.g. gyroscope and accelerometer)
* Mechanical linkages
* Phase-difference sensing
* Direct-field sensing
In order to create a high quality database and having controlled capture situations, optical outside-in tracking systems are the prevalent technology for human motion capture. Commercial optical trac
剩余内容已隐藏，支付完成后下载完整资料
测量运动捕捉数据质量数据驱动人体运动合成
1.介绍
在汽车行业，市场对生产产品的周期降低和产品的个性化的趋势是越来越明显。这种以较大产品种类为主导的市场驱动型发展部分导致了德国等高成本国家的终端装配自动化程度的降低。为了确保产品质量和生产效率，必须在实际开始生产之前，通过详细的计划来验证所采用的手动装配流程是否可行。此外，越来越多的产品导致产品验证的需求不断增长，从而增加了验证的成本。因此，手动组装过程的虚拟化验证被认为是很有竞争优势的一种方式。在物理生产验证中，一组流程专家在车间检查进行计划任务的工人，通过记录各种领域的问题，例如工艺时间，人体工程学和工艺质量，讨论并寻找解决的方案。一个直接的方法是用模拟的方式来代替工人和具体的物体。在戴姆勒的实地测试中，这种方法会导致可接受数量的已识别问题。然而，在车间中，模拟模型是固定的。这个限制阻碍了人们尝试新想法并阻止解决方案的产生，以至于在现场测试中只有少数解决方案或工艺改进。
使用Delmia V5 Human或Tecnomatix Jack等技术工具进行的建模可以获得专家可接受的模拟质量，为工作流程提供了一周时间。现在人们已经开始使用部分自动化计划工具（如EMA）来减少建模和重建时间。然而，通过戴姆勒的现场测试，在大多数过程中，这些测试的仿真质量被过程专家认为太过于不现实。另一种方法是直接记录过程验证研讨会中的动议。这种方法已经在实践中成功测试。当移动的程度满足要求时，验证需要为每个考虑到的产品变体的消耗时间的手动记录。
因此，自动化建模过程与现实和变种丰富的运动合成被认为是一个虚拟生产验证的推动者。
2.相关工作
2.1运动综合
人类运动的产生可以是手动的，半自动的或全自动的。在这项工作的背景下，我们只考虑全自动化的方法。Wright和Jordanov的不同在于：
*明确模拟运动状态方程的分析方法
*使用生物先天运动表示中央模式发生器，作为振荡器系统
*神经网络主要依靠动力学或动力学的变量作为输入
*隐马尔可夫模型技术，观察运动模式，然后再现它们
*基于广义状态的方法的基于规则的系统
此外，在Min和Glardon等人的推动下，人们已经提出了能够产生具有语义可解释的统计模型的无限运动变化的高斯过程网络。
依赖于运动捕捉数据的数据驱动运动合成方法共享这样的数据结构的问题，即由具有关于多个关节位置的信息的连续帧组成。因为维度的关系，通常连接这个数据会降低上述算法的效率。除了忽略骨架的部分之外，通过在两个单独的模型中的姿势和它们的转换或通过一次使用连续的帧来将它们压缩成低维度向量来实现尺寸减小。在后一种情况下，流行的方法是使用动态时间扭曲，以分离空间和时间变化，并对两个结果使用主成分分析（PCA）。
PCA将高维输入空间的线性投影导出到较低维度的空间中，从而使解释的方差最大化。因此，降维的有效性主要受输入数据在输入空间中的分配方式的影响。显然，像抖动这样的运动捕获伪像应该会影响方差。骨骼数据表示也可以引入人为方差从关节角度奇异性或无意义的四次数旋转。因此，后处理后的运动捕捉数据质量与成功应用基于PCA的运动合成有关。
2.2。运动捕捉系统
为了通过统计运动合成产生合理和变体丰富的人类运动，捕获高精度质量训练数据至关重要。因此，商业，最先进的运动捕捉系统被评估。运动捕捉系统通常用于在不同环境中对人的运动进行数字化。 Rolland等提出运动捕捉和跟踪系统的分类法，按其物理操作原理分类：
*飞行时间（例如超声波或光线）
*空间扫描（例如光学外置摄像头）
*惯性感测（例如陀螺仪和加速度计）
*机械联动
*相位差检测
*直接感测
为了创建高质量的数据库并具有受控的捕获情况，光学外部跟踪系统是用于人体运动捕获的普遍技术。商业光学跟踪系统提供无标记和基于标记的骨骼重建。
比较商业，基于标记的跟踪系统，相同跟踪体积的价格相差10，而单个标记的跟踪精度可达到几分之一毫米。然而，单个标记精度并不一定能提供对得到的骨架运动适用于数据驱动的运动合成方法的了解。
2.3运动捕捉质量措施
Welch和Foxlin制定了一个理想的跟踪系统的愿景，它们是一个微小的，自给自足的，完整的，准确的，免受阻塞，强壮，顽强，无线和便宜的影响。运动捕捉系统可以根据硬件/软件规格或数据输出质量进行比较。
跟踪系统的供应商通常提供关于其跟踪系统的硬件规格的信息，但在识别和后处理算法或最终的运动数据质量方面仅有少数。然而，后处理对运动数据质量有很大的影响。
用于分析运动捕获输出的已知措施量化人类运动的急动，频率，平滑度和方差。生物力学，人体测量模型如RAMSIS和Dynamicus提供了测量捕获运动的合理性的方法。这些措施允许承认和制止不切实际的行动。此外，角速度和加速度和抖动可用于检测不切实际的运动。运动捕捉数据的频域和微分方程分析也可以用于合理性评估。
此外，为了验证运动的平滑性，Rincon-Montes比较了所谓的四种算法
“对数无量纲冲击度量”，“平均停滞周期比”，谱弧长度量度“和”峰值度量。 作为本次调查的结果，Balasubramanian的“光谱弧长度量”被认为是“最方便的可计算工具”。
然而，目前还不清楚现有的运动捕捉系统和数据质量测量方法是否可以应用，以便它们提供关于数据驱动运动合成的适用性的信息。 因此，寻求统计运动合成的质量测量。
3.运动捕捉数据质量的两个措施，重点是数据驱动的人体运动综合
3.1目标
这项工作提出并研究了运动捕捉数据质量的两种方法驱动措施。质量被认为是特别关注基于主成分分析的数据驱动运动合成算法。
3.2基于PCA的运动捕捉质量测量
对于基于主成分的运动捕捉质量测量，在跑步机上行走被选择为众所周知的示例运动。捕获的动作被切割成正面立场和左侧立场。从踏板从框架离开开始，当脚部失去与地板平面的接触并且当相对的脚离开地板平面时停止。
运动被表示为具有固定骨长度的骨架树结构和一组帧，其中每个帧由每个骨架节点的骨架根节点位置和取向组成。为了避免欧拉或指数图表示的奇异性，采用四元数的方向。由于四元数被超过3个自由度的4个值，所以它们对齐，使得它们的距离在关节的所有运动中都被最小化。
通过使每个运动在（0,0,0）的骨架根节点位置开始，然后使所有帧中的欧几里德关节位置距离最小化，使切割运动对齐。左右立场分开，动态时间扭曲应用于Kovar和Gleicher提出的方法之后。结果是空间域，即在规范时间线上的一组空间轨迹，其对于每个运动和时间域具有相同数量的帧，即每个切割运动的时间值列表，其将规范时间线的每个帧映射到实际时间点。
原则上，下一步可以适用于空间和时域。然而，由于初步测试显示时域对PCA结果没有影响，所以在所提出的测量中仅采用空间结果，即规范时间线中的运动。
规范时间线中的空间数据通过首先连接所有帧进行预处理，然后对齐运动并最终对每个值的变化进行归一化。下一个PCA被应用。代替使用标准方法来导出适当数量的主成分，数量固定为10.使用十个主要组件是经验值，质量度量是由输入的结果10个主要组件解释的方差量数据，例如正确的立场需要或左立场。
3.3香农熵作为运动捕捉质量测量
香农熵作为运动捕获质量的第二个测量。输入数据是来自3.2节的对齐输入向量。对于每个关节的每个维度，通过将最大值乘以1.5倍的记录步数并向上舍入来导出仓的数量。当遵循3.4节中的测量原理时，乘法因子为300.将每个关节尺寸的下一个值分成箱体。箱子连接并用作计算香农熵的输入，作为运动捕捉质量测量。
3.4测量原理
为了获得可重复的和主体间的结果，该措施伴随着描述输入数据如何收集的测量原理。动作应该是统一的，明确的，可重复的。由于这是很难实现与人的行为自由，步行在跑步机上，控制速度，消除曲线走动。
步行跑步机与正常步行不相称，但更均匀。但是，动议应该显示变化。因此，跑步机速度是变化的：以4公里/小时记录100步，以6公里/小时记录100步。
记录的数据被后处理为Biovision Hierarchy（BVH）文件。为了不使重定向的结果不平衡，使用相应运动捕捉系统的本机骨架进行BVH生成。必须最小化后处理软件的手动优化。可接受的互动是在后期处理软件中开始推荐的操作，如填充间隙。
虽然在测量不同的后处理工具链时可以放宽后一种限制，但为了获得可比较的结果，必须记录和陈述所有操作。
4.评价
4.1经测试的运动捕捉系统
四种不同的商业运动捕捉系统用于捕获人类步态数据。这些都是光学外部跟踪系统。其中三个使用反光标记套装来重建骨架结构，而一个（“CapturyStudio”）使用算法非对比地和无标记地重建人的运动。不过，用户的衣服必须先训练。
对于每个运动捕捉系统，根据供应商或集成商的建议设置硬件，软件和后处理流水线。系统输出是直接的
转换为BVH格式。对于Captury运动捕捉数据，使用CapturyStudio版本0.1。当前版本1.0可能会显示不同的结果，但测试不可用。
4.2实验设计
PCA效率测量和香农熵测量将根据以下质量标准进行测试：
1.选择性:给定适当的测量原理，PCA效率和香农熵测量能够分离不同系统的不同结果。
2.有效性:有效性的假设是在质量测量中产生更大结果的运动捕获系统更适合于统计运动合成。因此，将根据运动合成的结果检查发现的等级次序。
对于每个捕获系统，以4公里/小时和100公里/小时的速度捕获100个步骤。演员们没有任何指示他们的步行风格。相同的演员在OptiTrack，A.R.T和Captury运动捕捉系统的同一台跑步机上进行了录音。由于Vicon系统录制的可用性，使用不同的演员和跑步机。
分别检查左右立体，以便了解每个系统的记录中的变化。我们假设为了选择这种检查措施，一个系统的左右姿态之间的变化必须小于不同系统之间的变化。
为了验证有效性的假设，建立运动合成模型和视觉评估结果并按质量排序。
此外，两个质量测量与“光谱弧长度量”进行比较。这个假设是，新的质量测量比比较的更好地适合于统计运动合成的质量预测。
4.3结果
四个运动捕捉系统的累积解释的方差的结果。平均来说，A.R.T. （98.99％）系统产生最高的解释方差，其次是Vicon（98.69％），OptiTrack（98.15％）和Captury（94.20％）。
为了说明措施如何区分系统，左右姿态的度量被除以系统的平均测量值与下一个系统的平均测量值之间的差值。 A.R.T.，Vicon和Captury显示左和右姿势之间的结果差异比距离最接近的系统的距离小三倍以上。
为Captury，OptiTrack和Vicon构建了左右立体运动综合模型。 Vicon数据的运动合成质量与之相当
以前由Min等人发表的结果。所产生的动作已被评为自然而且质量高。基于Captury的综合没有产生可接受的质量的动议，因为四肢运动高度显示不切实际的关节角度和动作。基于OptiTrack系统的运动位于两者之间，这意味着急动发生的频率较低，关节角度更加逼真。因此，运动合成质量顺序是Vicon比OptiTrack优于Captury。该结果对应于PCA效率测量。对于每个运动捕捉系统，根据供应商或集成商的建议设置硬件，软件和后处理流水线。系统输出直接转换为BVH格式。对于Captury运动捕捉数据，使用CapturyStudio版本0.1。当前版本1.0可能会显示不同的结果，但测试不可用。
5.讨论
所有跟踪系统都是根据积分商推荐的最佳结果设置的。因此，实验装置根据其感测技术，照相机布置和跟踪体积而异。将无标记跟踪系统Captury与基于标记的系统进行比较可以预期不同的精度水平。仅通过比较4.1节所述的硬件和软件规格，才能对四个运动捕捉系统的最终数据质量作出结论。
由于使用跑步机，所以利用小的跟踪体积，从而以恒定的传感器分辨率对大面积跟踪系统进行惩罚。在捕捉期间，已经记录了两个具有相似比例的不同演员。另外，根据Tilmanne，跑步机行走不符合常规行走风格，但所有的实验数据已经记录在跑步机上，因此是均匀的。尽管实验设置中提到的差异，运动段仍然可以被声明为可比较的原始数据。
所有跟踪系统的后处理流水线在骨架层次和优化程度上有所不同（间隙填充和低通滤波）。由于每个关节的方向有多个变化，PCA效率措施会惩罚具有较高关节数的骨骼等级。这种影响的影响还有待进一步研究。运动数据的重新定位将协调骨架层级，但会削弱PCA效率测度的辨别力，从而降低选择性和有效性。
PCA效率测度的上限表示累积解释方差的100％，99％的原始变体被认为是合成自然运动变化的良好价值，而Tilmanne和Dutoit提出了其他水平：PCA中的80％差异，合成运动“视觉上显着贫困”。 “考虑到90％的累积信息百分比，给出了人眼难以区分原始数据的数据重建。”较低的结果显示较少累积的解释方差。比较不同系统的类
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[487404]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
