Learning Biomechanically Plausible Human Motion from Sparse Radar Point Clouds
作者: Jonas Leo Mueller, Markus Gambietz, Alexander Weiss, Daniel Krauss, Bjoern M. Eskofier
分类: cs.CV
发布日期: 2026-08-04
💡 一句话要点
提出基于雷达点云的人体运动生物力学估计方法
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 雷达传感器 姿态估计 生物力学 运动预测 前向运动学 康复训练 低成本技术
📋 核心要点
- 现有的雷达基础姿态估计方法主要集中在学习算法的改进，缺乏对解剖学的真实再现。
- 本文通过将全身骨骼模型集成到可微分的雷达姿态估计框架中，提升了生物力学的准确性。
- 在实验中，该框架在关节位置和角度误差等方面表现优异，展示了其在临床运动分析中的潜力。
📝 摘要（中文）
本文针对雷达基础的人体姿态估计，提出了一种集成全身骨骼模型的可微分、端到端可训练的框架。通过前向运动学对姿态网络进行监督，并在此之前拟合特定个体的几何形状，进而预测个体的身体段比例。运动预测网络将时间序列雷达数据映射到广义坐标，利用可微分的前向运动学将预测的关节角度转换为三维位置。此外，接触分类损失函数鼓励物理上合理的足地面交互。在对11名健康参与者进行的留一法交叉验证中，该框架在关节位置和角度误差等指标上表现出色，展示了从单个低成本雷达传感器中恢复可解释生物力学描述的可行性，为未来的临床运动分析奠定基础。
🔬 方法详解
问题定义：本文旨在解决现有雷达基础姿态估计方法在解剖学真实再现方面的不足，现有方法通常仅使用无约束的关键点坐标表示人体。
核心思路：通过集成全身骨骼模型并利用前向运动学对姿态网络进行监督，本文提出了一种新的雷达姿态估计框架，旨在提高生物力学的准确性和可解释性。
技术框架：该框架包括几个主要模块：首先，利用雷达点云特征预测个体的身体段比例；其次，运动预测网络将时间序列雷达数据映射到广义坐标；最后，通过可微分的前向运动学将预测的关节角度转换为三维位置。
关键创新：本文的主要创新在于将生物力学骨骼模型与雷达数据相结合，利用前向运动学进行监督，显著提高了姿态估计的生物学合理性。
关键设计：在损失函数设计上，加入了接触分类损失，以鼓励物理上合理的足地面交互；此外，采用了特定个体几何形状的拟合方法，以提高模型的适应性和准确性。
🖼️ 关键图片
📊 实验亮点
在对11名健康参与者的实验中，该框架实现了每关节位置误差（MPJPE）为6.456 +/- 1.759 cm，每关节角度误差（MPJAE）为8.083 +/- 0.884度，接触分类F1值为0.935 +/- 0.009，展示了显著的性能提升，验证了该方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括运动康复、体育训练和人机交互等。通过从低成本雷达传感器中提取生物力学信息，能够为临床运动分析提供新的工具，帮助医生和训练师更好地评估和指导运动表现。
📄 摘要（原文）
Radar-based human pose estimation has focused on improving learning algorithms while representing the body as unconstrained keypoint coordinates. We address the underexplored dimension of anatomical fidelity by integrating a full-body skeletal model into a differentiable, end-to-end trainable radar-based pose estimation framework, in which the pose network is supervised through forward kinematics while subject-specific geometry is fitted beforehand. Subject-specific body segment proportions are predicted from radar point cloud features to scale a biomechanical skeleton. A motion prediction network maps temporal radar sequences to generalized coordinates, and differentiable forward kinematics converts predicted joint angles into 3D positions. A contact classification loss encourages physically plausible foot-ground interaction. Under leave-one-subject-out cross-validation on 11 healthy participants performing rehabilitation exercises, the framework achieves 6.456 +/- 1.759 cm mean per-joint position error (MPJPE), 8.083 +/- 0.884 degrees mean per-joint angle error (MPJAE), 0.935 +/- 0.009 contact classification F1, and 3.4 +/- 1.3 % scaling error. This proof-of-concept study demonstrates the feasibility of recovering interpretable biomechanical descriptors from a single low-cost radar sensor in a controlled laboratory setting, a prerequisite for future clinical motion analysis.