We propose a sensor fusion technique for motion capture system. In our system, two kinds of sensors are used for mutual assistance. Six magnetic sensors are attached on the arms and feet for assisting twelve optical markers and six optical markers, respectively, which are attached on the arms and feet of a performer. The optical sensor information is not always complete because the optical markers can be hidden due to obstacles. In this case, magnetic sensor information is used to link discontinuous optical sensor information.
Sensor fusion seeks to overcome these drawbacks by integrating or combining information from independent two or more sensor readings. We can easily think that combining readings from several different kinds of sensors can reduce the uncertainties and give a system more accurate information than the reading data from a single sensor.
The simplest case of fusion for a multi-sensor configuration that records the same property of the environment is to combine the data using averaging. Here it is assumed that nothing is known a priori about the sensors characteristics and thus all the readings have the same level of belief. In other words, when it is known that a particular sensor reading is more reliable than others, a weighted average of the sensor readings can be used instead. However these simple combining methods have some problems and are not suitable when two sensors characteristics are complex as the environmental conditions like our case.
Thus we need formal and intelligent approaches to model the complex situation using two heterogeneous sensors. Here we use Neural Network, Fuzzy logic, and System Identification technique for modeling the relation between the sensors’ signals. In these modeling and testing, dynamic systems are constructed with sample input-output data. Finally, we determine the best model from the set of candidate models using the minimization of Least Squares Method (LSM) error. Our approach is very simple in the point of view using an easy signal processing technique currently. But, the result of experiments is concrete and useful in MoCap procedure. In the future work, he will propose a new method using other signal processing techniques such as Wiener or Kalman filter.
본 논문에서는 모션캡쳐의 효율성을 높일 수 있는 새로운 센서 혼합방법을 제안한다. 이 시스템에서는 광학식과 자기식, 두 가지 시스템을 상호 보완적으로 활용하는데, 연기자 몸에 부착시킨 광학식 마커 외에 움직임의 자유도가 가장 높은 손목과 손바닥, 그리고 발목에 각각 자기식 센서를 추가한다. 이러한 방법은 광학식 마커가 항상 추적되는 상황이 아닐 경우를 대비하여 평상시에 자기식 데이터와 광학식 데이터와의 상관관계를 모델링하고, 광학식 마커가 사라져 추적이 불가능할 경우에 모델링된 시스템을 활용하여 사라진 마커 값을 복원하는 것을 목적으로 한다.
원래 센서 혼합이라는 것은 서로 독립적인 센서의 값을 서로 합하거나 혼합하여 보다 믿을 수 있는 데이터를 확보하려는 것이다. 그렇다고 환경이나 센서의 특성을 고려치 아니하고 단순하게 두 센서 값을 묶는다는 것은 보다 나쁜 결과를 초래할 수도 있다. 이 방법을 구현하기 위해서 보다 확증적이고 지능적인 접근 방법을 모색하였으며, 복잡한 환경과 이질적인 성격을 갖는 두 가지 센서를 혼합한 새로운 모션캡쳐 방안을 제안하였다.
이에 본 논문에서는 Neural Network, Fuzzy, System Identification (SI) 방법 등을 활용하여 두 가지 센서를 혼합하고 모델링하며, 필요에 따라 적절한 예측치를 제공할 수 있는 시스템을 만들어 테스트해보았다. 그 결과 Neural Network 와 Fuzzy 시스템도 좋은 모델링이 가능하지만 학습과정의 복잡도와 다른 모션데이터에의 활용성을 감안할 때, SI 방법이 가장 효율적임을 발견하였다.
