现实版头号玩家：科学家突破VR应用瓶颈，实现高精度视觉惯性手部运动跟踪

钛媒体 • 3年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

现实版头号玩家：科学家突破VR应用瓶颈，实现高精度视觉惯性手部运动跟踪

学术头条

· 刚刚

微信扫码

抗遮挡、抗干扰，具备强鲁棒性。

现实版头号玩家：科学家突破VR应用瓶颈，实现高精度视觉惯性手部运动跟踪

00:00 10:44

图 | VR 触觉操作中的手部跟踪结果

文丨学术头条，作者丨XT，编审丨寇建超

近年来，虚拟手在 VR 游戏等领域得到了广泛的应用，开发者们不断探索用逼真的虚拟手实现基于手势识别的交互运动，但想要让用户充分感受真实运动的逼真感还存在许多技术难题。

当前，在虚拟/增强现实（VR/AR）领域，大多数追踪手部动作的最先进技术缺乏足够的准确性。

那些依赖于视觉检测的跟踪设备在黑暗环境中或有障碍物阻挡视线的情况下会无法工作，而那些依赖于基于速度和力计算位置的惯性测量单元（IMU）更是容易受到电磁干扰。同样，一些由软传感器组成的设备也不能总是区分出手何时在做动作、何时触摸会导致物体变形。

近日，来自韩国首尔大学、美国斯坦福大学和三星电子的科研团队，就通过紧密耦合的方式将视觉传感器和 IMU 融合，克服了这些限制并设计出了一个新的视觉惯性骨架跟踪（VIST）框架。

据论文描述，该框架由一个配备传感器的手套和头戴式摄像机组成，是一种准确、经济、便携、甚至可清洗的跟踪系统，能够结合视觉和力的测量准确跟踪人体手和手指的运动，准确跟踪一些在现实环境中受障碍物影响而难以检测的运动。

此外，研究人员也展示了这一新跟踪系统应用于 VR、假肢，户外无人机群等各个领域的潜力。

一种十分友好的人机交互

人类可以很轻松地使用双手完成一些运动控制，如果可以将人体手部的灵活性复制到 VR/AR 场景中，例如通过拟人化机器手的触觉反馈来完成复杂的远程操纵任务，将显著提高人机交互（HRI）应用的效率、直观性和丰富性。

实时交互性是指用户对模拟环境中物体的可操作程度和从环境得到反馈的自然程度。交互性的产生，主要借助于 VR 系统中的特殊硬件设备（如数据手套、力反馈装置等），使用户能以自然的方式产生与在真实世界中一样的感觉。VR 系统比较强调人与虚拟世界进行自然的交互，交互性的另一个方面主要表现了交互的实时性。

在 VR/AR 和人机交互的用户体验中，对手部（包括手指）的追踪是一项关键技术。目前用于解决手部追踪问题的方法主要有以下 3 种：

基于视觉的手部追踪。使用相机来追踪没有标记的手部运动，同时利用大型图像数据集训练的机器学习技术，但该方法存在无法规避遮挡的问题；
基于惯性测量单元（IMU）/罗盘的可穿戴手部追踪。通常使用的传感器包括六轴 IMU（即加速度计和陀螺仪）和罗盘（即磁力计）。这种方法从根本上说容易受到磁场变化或干扰的影响，受铁磁性物体或电子设备干扰严重；
软性可穿戴手部追踪。使用一些软性传感器，检测每个传感器变形产生的信号，将传感器包裹在手的周围，用额外的手部姿势传感器来估计手的配置。这种方法无法区分运动引起的变形和接触引起的变形，使其不适合于用户需要处理物体/工具或佩戴触觉设备的应用。

此外，纯磁跟踪器、外骨骼跟踪等方法均存在一定的技术和应用局限性。

为此，研究人员提出了一个视觉惯性骨架跟踪（VIST）系统及其相应算法，用于准确、稳健、经济实惠的手部跟踪，克服了这些手部追踪方法的技术局限。

图｜VIST 的系统配置和可能的应用（来源：该论文）

VIST 系统的关键创新之一是，以紧密耦合（TC）的方式融合了视觉和惯性传感器，对于视觉传感器没有检测到的物体，惯性传感器都会作辅助估计，反之亦然：而惯性传感器没有检测到的动作也会由视觉数据作一补充，TC 融合方法使得 VIST 算法在手部追踪上表现出更高的稳健性。VIST 架构的一些重要优势主要为：

与其他最先进的方法相比，由于 TC 视觉-惯性融合和自动校准，跟踪精度更高；
对闭塞、视觉复杂/变化的环境和环境照明的稳健性；
对电磁干扰和模糊的机械接触的鲁棒性，从而使得操作物体和佩戴设备成为可能；
方便实时校准/自动校准解剖学/手套运动学参数，并纳入 VIST 算法；
在可清洗方面表现出的坚固性，在手套材料成本方面的可负担性，还可以使用头戴式显示器（HMD）的摄像头和计算，重量较轻，可穿戴性强。

显著提高跟踪精度和用户便利性

在手部追踪系统中，对手部的建模是一个关键步骤。在该研究中，人手被建模为分段关节骨架模型，并选择手背和在日常生活中起关键性作用的三个手指（拇指、食指和中指）作为目标跟踪段。

图｜VIST 的建模与流程（来源：该论文）

为了获得目标跟踪段的视觉和惯性信息，研究人员设计了一个传感器手套，手套分两层：带有 7 个 IMU 的手套内层，带有 37 个视觉标记的外手套层，视觉标记具有 4 种不同颜色（红色、蓝色、绿色和黄色），手套上还有一个头戴式立体摄像机。

同时，研究人员还开发了一种基于滤波的视觉惯性手部跟踪算法，该算法主要包括对视觉信息的提取以及视觉惯性手部运动的估计，通过将 IMU 信息与提取的视觉信息和手部解剖约束融合处理，来估计手部运动。

图 | 未使用视觉和惯性信号融合处理的方法得到的跟踪效果（有许多异常值，检测精度不稳定）

图 | 使用视觉和惯性信号融合处理的方法得到的跟踪效果（利用 IMU 信息进行鲁棒匹配）

视觉信息的提取主要包括对原始图像中的标记检测、左右立体匹配和 IMU 辅助的对应搜索三个过程，在数据融合处理过程中使用 IMU 信息进行手部运动预测，再利用视觉信息进行校正，然后对手部作解剖约束进行校正。由于使用视觉惯性融合对关节段的运动相关状态进行实时校准和自动校准，与其他系统相比，该研究设计的 VIST 系统可以显著提高跟踪精度和用户便利性。