arXiv:2606.08133v2 cs.CV

3D 인체 동작으로부터 중력 유도 접촉 역학 추정

Gravity-guided Contact Dynamics Estimation from 3D Human Motions

Cuong Le, Urs Waldmann, Bastian Wandt, M{\aa}rten Wadenb\"ack

제출 2026-09-24

한국어 초록

인체에 작용하는 지면 접촉력(ground contact forces)은 생체역학 연구나 스포츠 수행 분석에 매우 중요하다. 기존 방법은 지면 접촉 역학을 수집하기 위해 힘판(force plate)이나 압력 매트(pressure mat)에 의존하여, 신중하게 통제된 환경에서만 적용 가능성이 제한된다. 더 확장 가능한 해결책은 모션 캡처(motion capture) 데이터로부터 역학을 직접 추정하는 것이다. 최근 접근법은 신체와 지면 사이의 수직 거리만으로 지면 접촉 역학을 대략적으로 추정하여, 모든 접촉점의 복잡한 압력 분포를 포착할 수 없다. 이를 위해 우리는 GraCE(Gravity-guided Contact Dynamics Estimation, 중력 유도 접촉 역학 추정)를 제안한다. 이는 신체 질량 분포와 중력의 현실적인 영향을 사용하는 인체 동작용 새로운 전신 접촉 역학 모델이다. 인체의 무게중심(center of gravity)을 사용하여, 신체에 대한 상대 거리에 기반해 지면 접촉을 추정한다. 각 접촉에 가해지는 힘은 예측된 접촉 확률과 질량중심(center of mass) 궤적로부터 계산된 총 외력의 곱을 통해 추정한다. GroundLink 데이터셋에서 지면 반력(ground reaction force) 추정에, MOYO 데이터셋에서 상세 접촉 압력 예측에 관련 연구를 능가한다. 코드는 https://github.com/cuongle1206/GraCE 에 공개되어 있다.

원문 초록

Ground contact forces acting on the human body, are crucial for biomechanics studies or sport performance analysis. Prior methods rely on force plates or pressure mats to collect ground contact dynamics, limiting their applicability to carefully controlled settings. A more scalable solution is to estimate the dynamics directly from motion capture data. Recent approaches only roughly estimate the ground contact dynamics from the vertical distance between the body and the ground plane, which cannot capture the complex pressure distribution of all contact points. To this end, we propose GraCE -- Gravity-guided Contact Dynamics Estimation, a novel full-body contact dynamics model for human motions using a realistic influence of body mass distribution and gravity. We use the human's center of gravity to estimate the ground contacts based on its relative distance to the human body. The applied force on each contact is estimated via the product of predicted contact probabilities and the total exterior force computed from the center of mass trajectory. We outperform related work on the GroundLink dataset for ground reaction force estimation, and on the MOYO dataset for detailed contact pressure prediction. The code is published at https://github.com/cuongle1206/GraCE

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.08133v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.03691v1cs.CV공통 태그 Pose Estimation, motion capture

FlowHMR: 비디오로부터 물리적으로 타당한 모션 캡처

FlowHMR: Physically Plausible Motion Capture from Video

본 논문에서는 단안 비디오로부터 물리적으로 타당한 글로벌 3D 인간 모션을 복원하는 프레임워크인 FlowHMR을 제시합니다. 기존의 학습 기반 방법들은 일반적으로 비디오에서 직접 인간 모션을 회귀하고 기하학적 지도 학습(geometric supervision)을 통해 네트워크를 학습시킵니다. 그러나 단안 비디오에서 인간 모션을 복원하는 것은 깊이(depth) 측면에서 본질적으로 모호하며, 직접 회귀 방식은 평균화된 해(averaged solution)로 수렴하는 경향이 있습니다. 또한 복원된 모션이 물리적으로 타당하다고 보장되지 않아, 물리 기반 추적이 실패하는 경우가 빈번합니다. 이러한 문제를 해결하기 위해, 우리는 비디오 모션 캡처를 비디오 조건부 모션 생성 문제로 공식화하고 먼저 이 작업을 위한 플로우 매칭(flow matching) 모델을 사전학습(pre-training)합니다. 입력 비디오가 주어지면 사전학습된 모델이 다양한 모션 후보들을 생성하지만, 이들 모두가 비디오에 충실하거나 물리적으로 추적 가능한 것은 아닙니다. 따라서 우리는 두 가지 보상(reward)을 사용하는 그룹 상대 정책 최적화(GRPO)를 통해 모델을 사후학습(post-training)합니다. 충실도 보상(fidelity reward)은 입력 비디오와의 일관성을 장려합니다. 추적 보상(tracking reward)은 물리 기반 컨트롤러가 성공적으로 추적할 수 있는 모션을 선호하도록 합니다. 이 두 보상이 결합되어 모델의 출력 선호도를 전환함으로써, 사후학습된 모델은 입력 비디오에 충실하면서도 더욱 물리적으로 타당한 모션을 생성합니다. 나아가 야생 환경(in the wild)에서의 인간 모션 복원을 평가하기 위해 약 4천 개의 인터넷 비디오로 구성된 대규모의 다양한 데이터셋인 Wild-4K를 소개합니다. Wild-4K에 대한 정성적 및 정량적 실험 결과, 제안하는 방법이 전반적인 모션 충실도에서 최첨단 방법들을 능가하며, 가장 강력한 기준선인 GVHMR의 62.82%에 비해 82.47%의 물리적 추적 성공률을 달성함을 보여줍니다.

arXiv:2609.27006v1cs.RO공통 태그 Pose Estimation, parameter estimation

이동 로봇을 위한 레이저 트래커 보조 카메라-로봇 캘리브레이션

Laser-Tracker-Assisted Camera-to-Robot Calibration for Mobile Robots

카메라를 장착한 이동 로봇을 위한 레이저 트래커 보조 핸드-아이(hand-eye) 캘리브레이션 방법을 제안한다. 본 방법은 레이저 트래커 기반 3D 계측(metrology)과 카메라 기반 2D 관측을 결합한다. 지상 관측 이동 로봇을 대상으로 한 선행 연구의 레이저 트래커 보조 카메라-로봇 캘리브레이션 방법을 바탕으로, 트래커로 위치가 특정된 이동 로봇 좌표계에서 카메라 자세(pose)를 보정하기 위한 일반화된 정식화를 제시한다. 새 접근법은 여러 캘리브레이션 타깃을 연쇄(chain)함으로써 선행 방법이 로봇 및 카메라 구성에 대해 두었던 가정을 완화하고, 다양한 카메라 장착 이동 로봇 시스템을 지원하는 보다 일반적인 방법을 제공한다.

arXiv:2607.23608v1cs.CV공통 태그 Pose Estimation, motion capture

일상 임상 상지 평가에서의 마커리스 동작 캡처: 순서형 채점을 넘어서는 타당성과 통찰

Markerless Motion Capture in Routine Clinical Upper Limb Assessments: Validity and Insights Beyond Ordinal Scoring

Action Research Arm Test(ARAT)는 신경 재활에서 널리 사용되는 상지 결과 측정 도구이지만, 순서형 채점은 주관적이며 민감도와 특이도가 제한적이다. 우리는 임상 일상 중 ARAT 평가에 통합된 인공지능(AI) 기반 마커리스 동작 캡처(MMC)가 상지 움직임을 정확하게 재구성하고, 순서형 점수를 넘어 임상적으로 의미 있는 정보를 담은 타당하고 객관적인 운동학적 지표를 제공하는지 평가했다. 20명의 혼합 신경학적 환자로부터 47회 세션(ARAT 과제 1,174건)에 걸쳐, 생체역학적 재구성은 손상 수준 전반에 걸쳐 정확하고 견고했으며, 운동학적 지표는 구성 타당성(construct validity)을 갖춘 측정에서 기대되는 변별 패턴을 보였다. 종단적 사례 연구에서 해당 지표는 순서형 점수가 결여한 특이도와 민감도를 보완했다. 영역 분해(domain decomposition)는 동일한 ARAT 향상 이면에 있는 환자별 회복 프로파일을 드러냈다(특이도), ARAT가 포화된 이후에도 운동학적 개선은 계속 검출되었다(민감도). 따라서 임상 일상에서의 MMC는 순서형 채점을 보완하는 타당하고 객관적이며 민감하고 특이적인 운동학적 측정을 제공할 수 있다.

arXiv:2607.13646v1cs.CV공통 태그 Pose Estimation, motion capture

Human4K: 전신 3D 인간 재구성을 위한 대규모 4K 멀티뷰 모캡 데이터셋

Human4K: A Large-Scale 4K Multi-View Mocap Dataset for Whole-Body 3D Human Reconstruction

최근 3D 인간 재구성 분야의 발전으로 전반적인 성능이 향상되었지만, 현재 모델들은 여전히 가장 어려운 실제 시나리오에서 실패한다. 깊이 모호성이나 자기 가림(self-occlusion) 상황에서는 불안정한 기하학, 부정확한 사지 관절, 신뢰할 수 없는 예측을 내는 경우가 많다. 핵심 원인 중 하나는 기존 데이터셋이 견고한 재구성을 지원하는 데 필요한 고해상도 이미지, 고정밀도 주석, 다양한 전신 동작의 조합을 여전히 갖추지 못하고 있다는 점이다. 이 공백을 메우기 위해, 모캡 정확도의 SMPL-X 주석을 갖춘 대규모 4K 멀티뷰 전신 인간 재구성 데이터셋 Human4K를 제안한다. Human4K는 전문 Vicon 모션 캡처 시스템과 동기화된 8뷰 고해상도 카메라 시스템으로 촬영한 600만 장 이상의 4K 이미지를 포함하며, 복잡하고 고도로 관절화되며 강한 자기 가림이 있는 전신 동작을 수행하는 11명의 피험자를 다룬다. 모든 시퀀스는 전신 및 말초부의 정밀한 정렬을 보장하기 위해 Motion-Retargeting and Refinement Module(MRRM)로 처리된다. 실험 결과 Human4K로 학습하면 표준 벤치마크에서 전신 재구성이 일관되게 향상되며, 특히 손, 발, 깊이 모호한 사지 구성에서 큰 폭의 개선을 보인다.

arXiv:2607.09780v1cs.CV공통 태그 Pose Estimation, motion capture

실세계 웨어러블 모션 재구성을 향하여

Towards Real-World Wearable Motion Reconstruction

오늘날 웨어러블 기기의 급격한 인기 상승은 근본적으로 독특한 모션 캡처(motion capture) 문제를 제기한다: 특정 시점에 착용된 임의의 센싱 하드웨어 조합으로부터 전신 움직임을 재구성하는 것이다. 그러나 대부분의 연구는 고정된 센서 구성(예: IMU 슈트 또는 HMD 중심 리그)을 가정하며 이를 일반화하지 못한다. 이와 달리, 우리는 모션 캡처가 스마트폰, 스마트워치, 스마트 안경, 스마트 인솔과 같이 비침습적이고 경량인 기기를 우선시해야 하며, 이들 간의 상호작용을 연구해야 한다고 주장한다. 이를 위해 세 가지 기여를 제시한다. 첫째, 일상 작업, 스포츠, 사회적 상호작용을 포함한 50가지 다양한 활동에 걸쳐 이러한 소비자용 센서와 정답 3D 모션을 동기화한 대규모 멀티모달 데이터셋을 공개한다. 둘째, 가용 센서의 임의 부분집합으로부터 모션을 재구성하고 누락된 모달리티를 강건하게 처리하며 물리적으로 타당한 동작을 생성하는 기준선 생성 모델 WHIP을 제안한다. 셋째, 서로 다른 모달리티가 어떻게 상호 보완하는지를 정량화하는 센서 상보성(sensor complementarity)에 대한 체계적인 연구를 수행한다. 코드와 데이터셋은 https://vcai.mpi-inf.mpg.de/projects/WHIP/ 에서 이용 가능하다.

arXiv:2607.08725v1cs.CV공통 태그 Pose Estimation, biomechanics

포즈에서 생체역학으로: 3D 인체 포즈 추정과 생체역학적 속성 예측의 연결

Pose-to-Biomechanics: Bridging 3D Human Pose Estimation and Biomechanical Attribute Prediction

3D 인체 포즈 추정의 최근 발전으로 마커 없이 골격 동작을 복원하는 정확도와 확장성이 크게 향상되었다. 그러나 대부분의 포즈 추정기는 기하학적 키포인트 정확도에 최적화되어 있는 반면, 재활, 스포츠 과학, 인간공학, 임상 동작 분석 등 다양한 실제 응용 분야에서는 신체가 어떻게 움직이고, 하중을 받으며, 활성화되는지를 설명하는 생체역학적 수치를 필요로 한다. 본 연구에서는 임의의 3D 포즈 추정기 하단에 연결되어 표준 17관절 3D 스켈레톤으로부터 생체역학적 속성을 예측하는 경량 플러그인 시간적 트랜스포머인 BioModule을 제안한다. BioModule은 추정기에 무관하게 동작하며 상위 포즈 모델을 수정할 필요가 없어, 기존 포즈 추정기를 물리적으로 해석 가능한 동작 분석으로 확장할 수 있다. BioModule의 학습 및 평가를 위해 Human3.6M 비디오 및 3D 키포인트와 Human3.6Mplus의 생체역학적 레이블 공간을 쌍으로 구성한 대규모 정렬 데이터셋을 구축하였다. 두 데이터셋의 좌표계 간 해부학적 대응 관계를 확립하고 검증하여 프레임 단위의 교차 모달 지도학습을 가능하게 하였다. 이 정렬된 지도학습을 통해 BioModule은 생체역학적 수치를 예측한다. 또한 최신 3D 포즈 추정기 7종을 대상으로 BioModule을 벤치마킹하여, 상위 포즈 추정 품질이 하위 생체역학적 예측 충실도에 어떻게 전파되는지에 대한 최초의 체계적 분석을 제시한다. 실험 결과는 BioModule이 비전 기반 포즈 추정과 생체역학적으로 의미 있는 인체 동작 분석 사이를 잇는 컴팩트하고 모듈화된 연결 고리임을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.