TIC Dataset

本研究提出了一种创新的动态校准方法，用于稀疏惯性运动捕捉系统，打破了IMU校准中的绝对静态假设，实现了动态变化下的实时校准。研究团队创建了合成数据集，并使用基于Transformer的模型学习其映射关系。数据集包含配对的坐标漂移矩阵、测量偏移矩阵和IMU读数，旨在解决惯性运动捕捉中校准参数随时间变化的问题，为长时间准确捕捉运动提供支持。

原始信息汇总

Transformer IMU Calibrator (TIC) 数据集概述

数据集基本信息

• 名称: Transformer IMU Calibrator (TIC) Dataset
• 应用领域: 惯性动作捕捉中的动态身体IMU校准
• 相关论文: "Transformer IMU Calibrator: Dynamic On-body IMU Calibration for Inertial Motion Capture" (SIGGRAPH 2025 Best Papers)
• 论文链接: https://arxiv.org/pdf/2506.10580
• 演示视频: https://youtu.be/xu2v_yPJoLs

数据集内容

• 数据来源: 5名受试者(s1~s5)的数据采集
• 数据文件:
  • acc.pt: 6个身体IMU的加速度数据(静态校准)
  • rot.pt: 6个身体IMU的方向数据(静态校准)
  • pose.pt: 由NOKOV系统捕获的SMPL姿势(使用光学跟踪器)
  • trans.pt: 全局身体平移(位置)
  • drift.pt: 6个身体IMU的绝对坐标漂移
  • offset.pt: 6个身体IMU的测量偏移
  • acc_gt.pt: 由NOKOV系统捕获的GT IMU加速度(使用光学跟踪器)

数据说明

• IMU顺序: 左前臂、右前臂、左小腿、右小腿、头部、臀部
• 数据格式: 所有数据均为SMPL坐标系
• 数据集下载: https://www.dropbox.com/scl/fo/ggrvm8x2xjhu1m0pjomc9/ADClW3gbt4swggoulhndBKA?rlkey=bagguhrnze7fdvgr2toggce0v&st=p3fj8g1e&dl=0

相关资源

• 代码实现: 包含网络权重、训练和评估脚本
  • train.py: TIC网络训练
  • eval.py: 在数据集上运行动态校准并计算OME、AME和R_GG/R_BS误差
• 基础模型: SMPL_MALE模型来自https://smpl.is.tue.mpg.de/

搜集汇总

数据集介绍

构建方式

TIC数据集通过合成与真实数据相结合的方式构建，其中合成数据基于AMASS和DIP数据集生成。具体而言，研究团队首先采集了经过良好校准的IMU数据，随后通过随机欧拉角变换模拟坐标漂移和测量偏移，生成了配对的校准参数矩阵与IMU读数。这一过程在模型训练时动态完成，确保了数据多样性和覆盖范围。此外，还设计了基于IMU旋转多样性的校准触发机制，以保证假设条件的满足。

特点

TIC数据集作为首个支持动态校准的惯性动作捕捉数据集，具有三大核心特征：1) 突破了传统静态校准的绝对静止假设，通过短时窗口内的微小变化假设和运动多样性假设实现了实时参数估计；2) 包含合成与真实数据的混合样本，既保证了数据规模又保持了真实IMU信号特性；3) 创新性地引入了长时间序列的IMU漂移和偏移标注，为分析这些参数的时间特性提供了宝贵资源。数据集特别关注了日常活动中常见的非标准校准姿势和长时间使用导致的参数变化。

使用方法

使用TIC数据集时，研究者可通过Transformer IMU校准器(TIC)网络实现动态校准流程。具体包括：1) 以固定时间间隔(如每秒)运行TIC网络，利用短期IMU读数历史估计坐标漂移和测量偏移；2) 通过旋转多样性指标触发校准更新，确保估计可靠性；3) 将校准参数应用于现有惯性动作捕捉系统，提升长期使用的稳定性。数据集支持端到端训练校准模型，也可用于评估不同校准方法的性能，特别是在处理非标准姿势和长时间漂移场景下的表现。

背景与挑战

背景概述

TIC Dataset是由厦门大学、清华大学和卡迪夫大学的研究团队于2025年提出的，专注于惯性运动捕捉系统中的动态校准问题。该数据集旨在解决传统惯性测量单元（IMU）校准中存在的绝对静态假设限制问题，即坐标漂移和测量偏移在运动过程中保持不变的假设。通过引入动态校准方法，TIC Dataset显著扩展了惯性运动捕捉的应用场景，特别是在长时间使用和复杂运动环境下的鲁棒性。该数据集的提出为惯性运动捕捉领域的研究提供了重要的数据支持，推动了相关技术的发展。

当前挑战

TIC Dataset面临的挑战主要包括两个方面：1) 领域问题的挑战：传统IMU校准方法依赖于静态假设，难以应对动态环境下的坐标漂移和测量偏移变化，导致长时间运动捕捉的精度下降。2) 构建过程的挑战：数据集的构建需要合成大量的配对数据（坐标漂移、测量偏移和IMU读数），并设计基于Transformer的模型来学习它们之间的映射关系。此外，还需要确保IMU读数的多样性以满足动态校准的假设条件，这对数据采集和模型训练提出了较高的要求。

常用场景

经典使用场景

在惯性动作捕捉领域，TIC数据集通过提供动态校准的IMU数据，解决了传统静态校准方法在长期使用中因坐标系漂移和测量偏移导致的精度下降问题。该数据集特别适用于需要实时、高精度动作捕捉的场景，如虚拟现实、体育训练和医疗康复。

解决学术问题

TIC数据集突破了传统IMU校准中绝对静态假设的限制，首次实现了动态校准参数的实时估计。通过Transformer架构学习IMU读数与校准参数之间的映射关系，该数据集解决了稀疏惯性传感器在长期使用中因环境干扰和硬件误差导致的姿态估计不准确问题，显著提升了动作捕捉系统的鲁棒性和可用性。

衍生相关工作

基于TIC数据集的研究催生了一系列创新工作，包括首个实现隐式IMU校准的Transformer校准器网络架构，以及针对消费级设备的轻量化校准方案。相关成果已应用于PNP、DynaIP等先进动作捕捉系统，推动了稀疏惯性传感器在移动终端上的实时全姿态估计技术发展。