CN108876815B - 骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质 - Google Patents
骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质 Download PDFInfo
- Publication number
- CN108876815B CN108876815B CN201810403604.9A CN201810403604A CN108876815B CN 108876815 B CN108876815 B CN 108876815B CN 201810403604 A CN201810403604 A CN 201810403604A CN 108876815 B CN108876815 B CN 108876815B
- Authority
- CN
- China
- Prior art keywords
- information
- extremity
- posture information
- joint
- angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Abstract
一种骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质,其中骨骼姿态计算方法是人物虚拟模型驱动方法的关键步骤,该方法包括基于反向运动学的骨骼姿态迭代计算过程,使用逆向推导的思想,根据肢端的姿态信息变化量来逆向计算人体骨骼链的中间关节的关节角度变化量,使得每次迭代之后各个关节角度都接近最佳值,有效保证模拟肢体动作时的平滑渐变效果,满足逼真地模拟肢体动作的应用需求。此外,迭代计算过程中采取了多重判断机制,能够将各个关节角度变化量以及肢端的姿态信息变化量及时地更新至下一次的迭代计算之中,简化了判断过程并确保了迭代循环的有效性,利于在确保计算结果正确的情形下提高系统的计算速度,可增强肢体动作捕捉过程的实时性。
Description
技术领域
本发明涉及运动捕捉技术,具体涉及骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质。
背景技术
运动捕捉技术(Motion capture,简称Mocap)是指在运动物体的关键部位设置跟踪器,由动捕系统捕捉跟踪器位置,再经过计算机处理后得到三维空间坐标的数据。当三维空间坐标数据被计算机识别后,可以应用在动画制作、步态分析、生物力学、人机工程等领域。特别是在电影特效领域,将多个摄影机捕捉到的真人影像换为数字模型,捕捉并记录演员表演时的动作,然后把这些动作同步到电脑中的虚拟角色上,使虚拟角色的动作和真人毫无差别,以达到逼真、自然的效果。
根据设备运行原理的不同,运动捕捉技术本身也有着诸多分类,常见的有机械式动捕系统、声学式动捕系统、电磁式动捕系统、光学式动捕系统以及惯性动捕系统。其中,光学式动作捕捉凭借着采集精度高、可实时反馈等优势成为现阶段应用最为广泛、发展较为成熟的运动捕捉技术。
常见的光学式运动捕捉大多基于计算机视觉原理,从理论上说,对于空间中的一个点,只要它能同时为两部相机所见,则根据同一时刻两部相机所拍摄的图像和相机参数,可以确定这一时刻该点在空间中的位置,而当相机以足够高的速率连续拍摄时,从图像序列中就可以得到该点的运动轨迹。典型的光学式运动捕捉系统通常使用6-8个相机在表演场进行环绕排列,这些相机的视野重叠区域就是表演者的动作范围,为了便于处理,要求表演者穿上单色的服装,在身体诸如关节、髋部、肘、腕等关键部位贴上一些视觉系统可识别的标志或发光点(即Marker),使用相机以每秒60帧以上拍摄速率连续地拍摄表演者的动作,并将图像序列保存下来,然后再进行分析和处理,识别其中的标志点,并计算其在每一瞬间的空间位置,进而得到其准确的运动轨迹。
光学式动捕系统在游戏和电影领域运用都比较广泛,通过对目标上特定光点(比如捕捉球或荧光贴点)的监视和跟踪来完成运动捕捉的任务,由于每一个光点都对应一个捕捉目标的特殊部位,所以光点的移动就可以映射成为目标的分段位移,甚至结构非常复杂的目标(比如人体),在高光点数量、高定位精度的基础下,也能够构建出目标物每一个细致关节的移动。
在游戏动画制作或者电影特效制作的应用中,虚拟模型通常用一组刚体表示的骨骼构架,两骨骼之间由关节连接。因此,当给定各个关节的变化角度时,可以应用正向运动学方法(是指从关节参数指定的值计算端部执行器的位置的方法)得到虚拟模型的肢端位置。然而,在交互式操作、轨迹控制等应用功能中往往需要根据虚拟模型某一肢体末端骨骼的位置反求同一肢体上各个关节的旋转角度,此时,需要采用反向运动学(InverseKinematics,简称IK,是指给定肢端和固定端的位置姿态求运动链上各关节转角)的方式对相关关节转角进行求解。
在采用反向运动学求解的实际应用中,通常将配置有多个反光标记点的刚体(或者捕捉球)设置于运动目标(比如人体)的肢体端部,运用多个光学相机高速拍摄运动目标的动作,获取刚体(或者捕捉球)的位置信息,借助生物学上的人体模型,并通过反向运动方式的求解方式模拟出该肢体上端部之间的各个关节的旋转角度,进而准确地模拟出拍摄时间间隔内运动目标的连续运动轨迹。
在通过反向运动学方式求解一肢体(或关节链)上各个关节的旋转角度(或者与关节相连的两骨骼之间的变化角度)时,目前主要有两类方法,即解析法和迭代法。解析法是直接利用公式来计算肢体端部之间的中间关节的位置和旋转方向,计算速度快,但具有应用情形受限、失真度较高的问题。迭代法包括循环坐标下降方法(CCD)、伪逆方法以及非线性优化方法。其中,CCD方法是一种启发式的迭代搜索方法,该方法通关过从肢体末端开始向另一端依次调整该肢体上各个关节的角度,每次调整都使肢体另一端接近目标位置,调整过程即是CCD的迭代求解过程,是在反复迭代过程中进行的,它对于迭代求解过程有一定的限定:如果迭代的循环次数没有超过约定次数,且肢体另一端和目标位置的距离在误差允许范围之内时,则认为调整成功(即迭代求解成功),反之则认为调整不成功(即无解);伪逆方法是指通过构造雅可比矩阵逐步迭代来获取最终结果的方法;非线性优化方法是将关节角度作为自变量,把肢体端部位置和约束位置之间的距离作为目标函数并使用修正的BFGS算法优化求解。现有技术中,上述的迭代法普遍存在的问题是:迭代计算过程复杂,一方面致使需要很多次迭代才能得到最终结果,还容易出现无法求解的情况,另一方面致使运算速度慢,无法进一步提高运动捕捉过程的实时性。
发明内容
本发明主要解决的技术问题是如何优化运动骨骼姿态计算中的迭代运算方法,以准确、快速地获取求解结果,增强运动捕捉过程中的实时性。
根据第一方面,一种实施例中提供一种基于反向运动学的骨骼姿态计算方法,包括以下步骤:
根据人体骨骼链的初始姿态信息,按照正向运动学方式计算出肢端的理论目的姿态信息;
判断肢端的理论目的姿态信息是否接近肢端的实际目的姿态信息,若判断结果为否,则获取肢端的姿态信息变化量,并根据肢端的姿态信息变化量计算所述人体骨骼链的中间关节的关节角度变化量;
根据计算出的中间关节的关节角度变化量更新人体骨骼链的初始姿态信息,根据计算出的肢端的理论目的姿态信息更新肢端的姿态信息变化量,并进入根据人体骨骼链的初始姿态信息,按照正向运动学方式计算出肢端的理论目的姿态信息的步骤,直到肢端的理论目的姿态信息接近肢端的实际目的姿态信息为止。
所述人体骨骼链包括根节点、肢端和中间关节,所述方法还包括:
获取所述人体骨骼链的初始姿态信息,所述初始姿态信息包括:根节点的初始姿态信息、中间关节的角度信息、各个骨骼的骨骼长度以及肢端的初始姿态信息;获取根节点的实际目的姿态信息,以及肢端的实际目的姿态信息。
所述根据人体骨骼链的初始姿态信息,按照正向运动学方式计算出肢端的理论目的姿态信息,包括:基于根节点的初始姿态信息、中间关节的角度信息以及各个骨骼的骨骼长度,计算肢端的理论目的姿态信息。
所述根据计算出的中间关节的关节角度变化量更新人体骨骼链的初始姿态信息,包括:
将每个中间关节的角度信息与计算出的对应的关节角度变化量求和,并将求和得到的角度值更新为该中间关节的角度信息;
根据根节点的初始姿态信息以及根节点的实际目的姿态信息和预设的循环次数,更新根节点的初始姿态信息。
所述根据计算出的中间关节的关节角度变化量更新人体骨骼链的初始姿态信息,还包括:在当前的循环次数达到一设定值之后,根据每个骨骼当前的骨骼长度和其预设的骨骼长度变化量更新该骨骼的骨骼长度。
所述根据计算出的肢端的理论目的姿态信息更新肢端的姿态信息变化量,包括:根据计算出的肢端的理论目的姿态信息、剩余的循环次数以及肢端的实际目的姿态信息,更新肢端的姿态信息变化量。
所述获取肢端的姿态信息变化量,包括:根据肢端的初始姿态信息、预设的循环次数以及肢端的实际目的姿态信息,获取肢端的姿态信息变化量;或,获取已跟新的肢端的姿态信息变化流量。
所述姿态信息包括:位置信息和角度信息;所述判断肢端的理论目的姿态信息是否接近肢端的实际目的姿态信息,包括:
先判断是否在预设的循环次数之内,若在循环次数之内,则接着判断肢端的理论目的位置信息与实际目的位置信息之差是否在误差范围内,以及判断肢端的理论目的角度信息与实际目的角度信息之差是否在误差范围内,若判断结果均为是,则认为肢端的理论目的姿态信息接近肢端的实际目的姿态信息。
所述根据肢端的姿态信息变化量计算所述人体骨骼链中间关节的关节角度变化量,包括:用tapenade工具反向计算中间关节的关节角度变化量。
所述用tapenade工具反向计算中间关节的关节角度变化量,包括:设置各个中间关节的角度变化优先级;按照设置的角度变化优先级,用tapenade工具反向计算中间关节的关节角度变化量。
在用tapenade工具反向计算中间关节的关节角度变化量之前,还包括:判断每个中间关节的角度信息所对应的梯度值是否为零值,若是,则修正该中间关节的角度信息,使其对应的梯度值不为零,反之,则保持该中间关节的角度信息对应的梯度值。
根据第二方面,一种实施例中提供一种人物虚拟模型驱动方法,包括以下步骤:包括以下步骤:
信息获取步骤:设置肢体的初始姿态信息,以及获取肢端的实际目的姿态信息;所述肢体包括人体骨骼链,所述人体骨骼链包括根节点、肢端和中间关节,所述初始姿态信息包括根节点的初始姿态信息、中间关节的角度信息、各个骨骼的骨骼长度以及肢端的初始姿态信息;
计算处理步骤:执行第一方面所述的骨骼姿态计算方法;
模型驱动步骤:当肢端的理论目的姿态信息接近肢端的实际目的姿态信息时,获取人体骨骼链的中间关节的理论目的角度信息,并根据肢端的实际目的姿态信息以及获取的人体骨骼链的中间关节的理论目的角度信息来驱动人物虚拟模型。
根据第三方面,一种实施例中提供一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现第二方面所述的方法。
本申请的有益效果是:
依据上述实施例的一种骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质,其中骨骼姿态计算方法是人物虚拟模型驱动方法的关键步骤,该方法主要按照正向运动学方式计算肢端的理论目的姿态信息,在计算得到肢端的理论目的姿态信息未接近肢端的实际目的姿态信息时,启用基于反向运动学的骨骼姿态迭代计算方法。由于在迭代计算过程中使用逆向推导的思想,根据肢端的姿态信息变化量来逆向计算人体骨骼链的中间关节的关节角度变化量,使得每次迭代之后各个关节角度都接近最佳值,有效保证模拟肢体动作时的平滑渐变效果,满足逼真地模拟肢体动作的应用需求;同时,也使得肢端的位置进一步地接近目的位置,从而保证了计算过程中逐步梯度下降的迭代计算需求,在经过多次迭代之后,可满足肢端的理论目的姿态信息接近于肢端的实际目的姿态信息,达到实际应用要求。此外,迭代计算过程中采取了限制循环次数、比较肢端目的位置信息和比较肢端目的角度信息的多重判断机制,能够将各个关节角度变化量以及肢端的理论目的姿态信息及时地更新至下一次的迭代计算之中,简化了判断过程并确保了迭代循环的有效性,利于在确保计算结果正确的情形下提高系统的计算速度,可增强肢体动作捕捉过程的实时性。
附图说明
图1为人物虚拟模型的结构示意图;
图2为一实施例肢体的骨骼链运动示意图;
图3为人物虚拟模型驱动方法的流程图;
图4为骨骼姿态计算方法的流程图;
图5为一实施例获取肢端的理论目的姿态信息的流程图;
图6为一实施例肢端的目的姿态信息比较的流程图;
图7为一实施例计算关节角度变化量的流程图;
图8为一实施例更新信息的流程图;
图9为一实施例更新人体骨骼链的初始姿态信息的流程图;
图10为一实施例肢体动作捕捉装置的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
在游戏动画制作、电影特效制作等应用中,常常通过多个肢体骨骼链的动作来表示人物虚拟模型的运动过程,详见图1。其中,人体骨骼链的初始姿态信息可以预设,那么人物虚拟模型中右腿的运动过程即可认为是肢体L1变化至L1′的过程。为便于理解本申请公开的人物虚拟模型驱动方法,将以肢体L1的变化过程为例对该方法进行具体说明。
肢体L1包括一条完整的骨骼链,可见图2,该骨骼链上包括髋骨、股骨、胫骨、腓骨、足骨在内的n段骨骼,各段骨骼分别使用节点P1、P2…Pn-1、Pn来表示,骨骼之间通过关节来实现一定幅度的姿态改变,节点P1、P2…Pn-1所对应的骨骼端部位置的关节称为中间关节,当根节点(比如节点P1,也称始端骨骼)由初始姿态改变至节点P1′示意的目的姿态时,将通过连带运动的形式带动其余骨骼产生姿态改变,最终引导肢端(比如节点Pn,也称末端骨骼)由节点Pn处示意的初始姿态改变至节点Pn′处示意的目的姿态。当仅设置根节点P1和肢端Pn的初始姿态、目的姿态时,为使得骨骼链的姿态变化过程具有平滑运动效果,需要获取肢端Pn由初始姿态变化至目的姿态的过程中中间节点P1、P2…Pn-1所对应的各个中间关节的关节角度信息,从而将各个中间关节的关节角度信息输入以驱动人物虚拟模型来模拟肢体的运动轨迹,最终达到较为逼真的肢体运动效果。下面将依据肢体L1来对人物虚拟模型驱动方法进行具体说明。
请参考图3,本申请公开了一种人物虚拟模型驱动方法,包括步骤A01~A03,下面分别说明。
步骤A01,可称为信息获取步骤,主要获取肢体的初始姿态信息和肢端的实际目的姿态信息。在一实施例中,见图2,肢体L1包括人体骨骼链,该人体骨骼链包括:根节点P1、肢端Pn和节点P1、P2…Pn-1分别对应的中间关节,那么,肢体L1的初始姿态信息包括根节点P1的初始姿态信息,节点P1、P2…Pn-1所分别对应的中间关节的角度信息,节点P1、P2…Pn-1、Pn所分别对应的骨骼的骨骼长度,以及肢端Pn的初始姿态信息。其中,人体骨骼链的初始姿态信息可以通过预设方式产生,即根节点P1的初始姿态信息、肢端Pn的初始姿态信息、节点P1、P2…Pn-1所分别对应的中间关节的角度信息,以及节点P1、P2…Pn-1所分别对应骨骼的骨骼长度可由技术人员直接通过设置的方式产生。
步骤A02,可称为迭代计算步骤,该步骤是人物虚拟模型驱动方法的核心环节,具体涉及一种基于反向运动学的骨骼姿态计算方法,将在下文中进行具体说明。
步骤A03,可称为模型驱动步骤,在步骤A02中,当肢端的理论目的姿态信息接近肢端的实际目的姿态信息时(即肢端的理论目的姿态信息与实际目的姿态信息的差值在一定误差范围内时),会计算此时人体骨骼链的中间关节的理论目的角度信息,那么,在步骤A03中,可直接获取人体骨骼链的中间关节的理论目的角度信息,然后可根据肢端的实际目的姿态信息以及获取的人体骨骼链的中间关节的理论目的角度信息来驱动人物虚拟模型。
其中,理论目的角度信息指的是肢端的理论目的姿态信息接近肢端的实际目的姿态信息,对应中间关节的最终角度信息。在具体实现时,可根据肢端的初始姿态信息中的角度信息,以及步骤A02每一次迭代计算过程中得到的中间关节的角度信息变量求和得到。
在驱动人物虚拟模型时,在一实施例中,可以将肢端Pn的实际目的姿态信息和计算得到的节点P1、P2…Pn-1所分别对应的中间关节的目的角度信息输入至一人物虚拟模型驱动系统,以驱动人物虚拟模型的相应肢体完成平滑的动作改变。
请参考图4,上述的步骤A02公开的基于反向运动学的骨骼姿态计算方法可包括步骤S100-S500,下面分别说明。
步骤S100,根据人体骨骼链的初始姿态信息,按照正向运动学方式计算出肢端的理论目的姿态信息。在一实施例中,见图5,该步骤S100可包括步骤S110-S120,具体说明如下。
步骤S110,在一实施例中,获取预设的肢体L1的骨骼链的初始姿态信息,其包括根节点P1的初始姿态信息,节点P1、P2…Pn-1所分别对应的中间关节的角度信息,节点P1、P2…Pn-1、Pn所分别对应骨骼的骨骼长度,以及肢端Pn的初始姿态信息;此外,还可以通过动捕系统获取肢端Pn的实际目的姿态信息,采用动捕系统获取姿态信息的方式包括刚体捕捉、捕捉球捕捉、图像识别等技术手段,这里不再对其进行限制和详细说明。
需要说明的是,下一次执行步骤S100时,肢体L1的骨骼链的初始姿态信息将被更新,具体过程可参考步骤S400。
步骤S120,将步骤S110中获取肢体L1中骨骼链的初始姿态信息输入至正向运动学的计算公式中,得到肢端Pn的理论目的姿态信息。
其中,y表示肢端Pn的理论目的姿态信息;Lengthi表示节点Pi所对应骨骼的骨骼长度的矢量;Tran1表示根节点P1的初始姿态信息;Roti表示节点Pi所对应的中间关节的角度信息,主要为旋转3*3矩阵,该矩阵由节点Pi所对应的中间关节的三维转角xi组成。需要说明的是,这里的i是1~n范围内的任意整数,其中n表示节点个数。
步骤S200,判断肢端的理论目的姿态信息是否接近肢端的实际目的姿态信息。这里的接近,指的是理论目的姿态信息与实际目的姿态信息在一定误差范围内。这里的姿态信息包括:位置信息和角度信息,因此,在执行该步骤S200时,应当对位置信息和角度信息分别进行判断。在一实施例中,见图6,该步骤S200可包括步骤S210-S260,具体说明如下。
步骤S210,在一具体实施例中,为保证步骤A02中迭代计算过程的有效性且快速求解结果,可设定一预设的循环次数K0(该预设的循环次数K0由用户根据测试经验设定一经验值)。每经过一次步骤S100,则自动为循环次数k数累加1,若当前的循环次数k在预设的循环次数K0内时,则进入步骤S220,反之,则进入步骤S260。
在另一个具体的实施例中,可省略该步骤S210和S260,使得系统持续进行迭代计算过程,直到肢端Pn的理论目的姿态信息接近肢端Pn的实际目的姿态信息。
步骤S220,判断肢端Pn的理论目的位置信息与肢端Pn的实际目的位置信息之差是否在误差范围内,若是,则进入步骤S230,反之,则进入步骤S240。需要说明的是,位置信息的误差范围由用户进行设定,这里不做具体限制。
需要说明的是,由于姿态信息包括位置信息和角度信息,那么,可对步骤S120中计算得到的肢端Pn的理论目的姿态信息进行信息拆分,从而获得肢端Pn的理论目的位置信息和肢端Pn的理论目的角度信息。
步骤S230,判断肢端Pn的理论目的角度信息与肢端Pn的实际目的角度信息之差是否在误差范围,若是,则进入步骤S250,反之,则进入步骤S240。需要说明的是,角度信息的误差范围由用户进行设定,这里不做具体限制。
步骤S240,根据判断结果,认为肢端Pn的理论目的姿态信息未接近肢端Pn的实际目的位置信息,需要继续执行迭代计算,那么此时,可进入步骤S300。
步骤S250,根据判断结果,在肢端Pn的理论目的位置信息与肢端Pn的实际目的位置信息之差在误差范围内,且肢端Pn的理论目的角度信息与肢端Pn的实际目的角度信息之差是否在误差范围内时,则认为肢端Pn的理论目的姿态信息接近肢端Pn的实际目的姿态信息,达到迭代计算的应用要求,可进入步骤S500。
步骤S260,在经过多次迭代计算之后,肢端Pn的理论目的姿态信息仍未接近肢端Pn的实际目的姿态信息时,为避免占用过多的计算时间,此时,可对迭代计算过程进行无解处理,包括强行结束迭代计算、错误报警等处理方式。
步骤S300,获取肢端的姿态信息变化量(这里的姿态信息变化量是指相邻两次迭代计算之间的姿态信息的改变量),并根据肢端的姿态信息变化量计算人体骨骼链的中间关节的关节角度变化量。在一实施例中,见图7,该步骤S300包括步骤S310-S340,分别说明如下。
步骤S310,获取肢端的姿态信息变化量,在一实施例中,根据肢端Pn的初始姿态信息、预设的循环次数K0以及肢端Pn的实际目的姿态信息,获取肢端Pn的姿态信息变化量△y,该姿态信息变化量可以理解为肢端Pn初始的姿态信息变化量。在一具体实施例中,姿态信息变化量△y可用公式表示为
△y=(肢端的实际目的姿态信息—肢端的初始姿态信息)/K0
其中,△y包括肢端的位置信息变化量和肢端的角度信息变化量;K0表示预设的循环次数。需要说明的是,在实际应用中,肢端Pn的姿态信息变化量可不是该公式表示的均匀变化状态,可能是基于该公式的经过修正的非均匀变化状态。
在另一个具体实施例中,肢端Pn的姿态信息变化量可用公式表示为
△y=(肢端的实际目的姿态信息—肢端的理论目的姿态信息)/(K0-k);
其中,k表示当前的循环次数,K0-k表示剩余的循环次数,此时的△y可以理解为已更新的肢端Pn的姿态信息变化量,在获取肢端Pn的姿态信息变化量时,包括获取初始的肢端Pn的姿态信息变化量以及已更新的肢端Pn的姿态信息变化量。更新肢端Pn的姿态信息变化量的过程具体说明可见步骤S400。
步骤S320,可称为梯度预处理步骤,为准确获得人体骨骼链的中间关节的关节角度变化量(这里的关节角度变化量是指相邻迭代计算之间的关节角度的改变量),需要对计算过程中各个中间关节的关节角度变化量对应的梯度值进行修正处理,以使得各梯度值不为零,以确保计算过程的有效性。
在一实施例中,依次判断每个中间关节的关节角度变化量对应的梯度值是否为零,当有判断结果为是时,则进入步骤S330,当有判断结果为否时,则保持该梯度值,并进入步骤S340。
步骤S330,在误差允许的范围内,修正中间关节的角度信息,以使该中间关节对应的梯度值不为零,当通过修正处理之后,各个中间关节的关节角度变化量对应的梯度值是均不为零时,则进入步骤S340。
步骤S340,为提高计算关节角度变化量时的准确性,还设置各个中间关节的角度变化优先级。在一具体实施例中,可为节点P1、P2…Pn-1所分别对应的中间关节的角度信息赋予不同的权重值,以决定各个中间关节的角度变化优先级,例如,为靠近肢端Pn的节点所对应的中间关节设置较大的权重值,以优先调整中间关节的关节角度变化量。
步骤S350,用tapenade工具反向计算各个中间关节的关节角度变化量,该tapenade工具即为基于反向运动学的程序模块,由步骤S120中的正向运动学公式得到。为了清楚地说明tapenade工具的应用原理,这里将步骤S120中的正向运动学公式定义为y=f(x),其中,y表示肢端Pn的理论目的姿态信息,x表示节点P1、P2…Pn-1所分别对应的中间关节的角度信息。
那么,根据y=f(x)即可得到△y和△x之间的关系
其中,△y可由步骤S310中获知,△x为各个中间关节的关节角度变化量的集合(可认为△x包括n个子关节角度变化量,分别为△x1、△x2…△xi、△xn);为△x的梯度值,其包括与△x中n个子关节角度变化变量一一对应的子梯度值,在步骤S320-S330中已对梯度值进行修正,确保了每个子梯度值均不为零。
步骤S400,根据计算出的各中间关节的关节角度变化量更新人体骨骼链的初始姿态信息,根据计算出的肢端的理论目的姿态信息更新肢端的姿态信息变化量。见图8,该步骤S400可包括步骤S410-S420,分别说明如下。
步骤S410,更新人体骨骼链的初始姿态信息,在一实施例中,见图9,该步骤S410可包括步骤S411-S413,下面具体说明。
步骤S411,将每个中间关节的角度信息xi与步骤S350中得到的关节角度变化量△xi求和,得到角度值xi′=xi+△xi,将角度值xi′更新至节点Pi所对应的中间关节的角度信息xi。
在另一个实施例中,还需根据根节点P1的初始姿态信息、根节点P1的实际目的姿态信息(即节点P1′所示意位置的姿态信息,可参考获取肢端Pn的实际目的姿态信息的过程)以及预设的循环次数K0,更新根节点P1的初始姿态信息,在一具体实施例中,可通过公式得到根节点P1的姿态信息变化量:
根节点的姿态信息变化量=(根节点的实际目的姿态信息—根节点的初始姿
态信息)/K0
其中,K0表示预设的循环次数。然后,将根节点P1的姿态信息变化量与根节点P1的初始姿态信息求和结果更新至根节点P1的初始姿态信息。
步骤S412,判断当前的循环次数是否达到设定值,优选地,可判断当前的循环次数k是否达到设定值0.9*K0,当k达到0.9*K0时,则进入步骤S413,反之进入步骤S420。该步骤的目的是从0.9*K0次时,对各个骨骼的骨骼长度进行调整,以保证在预设循环次数内能够有解。
在另一个实施例中,可取消步骤S412,使得每次迭代计算时都对骨骼长度进行更新。
步骤S413,根据每个节点Pi所对应骨骼的骨骼长度li和其预设的骨骼长度变化量△li更新该骨骼的骨骼长度,即将li+△li的求和结果更新至li。其中骨骼长度变化量△li由用户进行设定,每次迭代计算时,更新各个骨骼的骨骼长度有助于提高肢端Pn的理论目的姿态信息的准确度,减少循环次数,从而提高运算速度。
需要说明的是,更新骨骼长度的过程包括骨骼长度的拉伸过程和骨骼形状的弯曲变形过程,但在该实施例中,为了减小计算的复杂度,更新骨骼长度的过程主要是指骨骼长度的拉伸过程。
在另一个实施例中,认为肢体L1在运动过程中,节点P1、P2…Pn-1、Pn所分别对应骨骼的骨骼长度骨保持不变,那么可忽略步骤S412-S413,即步骤S410仅包括步骤S411。
步骤S420,根据计算出的肢端的理论目的姿态信息更新肢端的姿态信息变化量。在一实施例中,根据计算出的肢端Pn的理论目的姿态信息、剩余的循环次数K0-k以及肢端Pn的实际目的姿态信息,更新肢端Pn的姿态信息变化量,公式表示为:
△y′=(肢端的实际目的姿态信息—肢端的理论目的姿态信息)/(K0-k)
将得到的△y′更新至步骤S310中的姿态信息变化量△y。
请参考图4,在步骤S400完成之后,进入步骤S100,进行下一次的迭代计算,直至通过步骤S200判断得到肢端的理论目的姿态信息接近实际目的姿态信息,从而进入步骤S500。
步骤S500,信息输出处理,将迭代计算得到的人体骨骼链的初始姿态信息进行输出,主要包括最新更新的根节点P1的初始姿态信息,最新更新的节点P1、P2…Pn-1所分别对应的中间关节的角度信息,最新更新的节点P1、P2…Pn-1、Pn所分别对应骨骼的骨骼长度,以及最新更新的肢端Pn的初始姿态信息。
在一实施例中,步骤S500的下一个步骤是步骤A03,那么,主要将最新更新的节点P1、P2…Pn-1所分别对应的中间关节的角度信息进行输出,按照步骤A03的内容,将肢端Pn的实际目的姿态信息(获取过程可参考步骤S110)和迭代计算最终得到的节点P1、P2…Pn-1所分别对应的中间关节的角度信息输入至一人物虚拟模型驱动系统,以驱动人物虚拟模型的相应肢体完成平滑的动作改变。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,那么,可知本申请还保护肢体动捕捕捉装置,见图10,其包括存储器501和处理器502,以及计算机程序503,该存储器501用于存储计算机程序503,该计算机程序503在被处理器502执行时能够实现上文步骤A01-A03,以及步骤S100-S500所示的方法。
也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (9)
1.一种基于反向运动学的骨骼姿态计算方法,其特征在于,包括以下步骤:
根据人体骨骼链的初始姿态信息,按照正向运动学方式计算出肢端的理论目的姿态信息;所述人体骨骼链包括根节点P1、肢端Pn和中间的节点P2~Pn-1,以及包括节点P1、P2…Pn-1分别对应的中间关节;所述人体骨骼链的各段骨骼分别使用节点P1、P2…Pn-1、Pn来表示,节点P1、P2…Pn-1中每个节点所对应的骨骼与下一节点所对应的骨骼之间连接的关节称为中间关节;所述初始姿态信息包括根节点的初始姿态信息、中间关节的角度信息、各个骨骼的骨骼长度以及肢端的初始姿态信息;所述肢端的理论目的姿态信息满足以下公式
其中,y表示肢端Pn的理论目的姿态信息,Lengthi表示节点Pi所对应骨骼的骨骼长度的矢量,Tran1表示根节点P1的初始姿态信息,Roti表示节点Pi所对应的中间关节的角度信息,Roti为旋转3*3矩阵且该矩阵由节点Pi所对应的中间关节的三维转角xi组成,i是1~n范围内的任意整数,其中n表示节点个数;
判断肢端的理论目的姿态信息是否接近肢端的实际目的姿态信息;若判断结果为否,则获取肢端的姿态信息变化量,并根据肢端的姿态信息变化量计算所述人体骨骼链的中间关节的关节角度变化量;所述肢端的姿态信息变化量是指相邻两次迭代计算之间的姿态信息的改变量,且用公式表示为
△y =(肢端的实际目的姿态信息—肢端的初始姿态信息)/K0,或者
△y =(肢端的实际目的姿态信息—肢端的理论目的姿态信息)/(K0-k);
其中,K0表示预设的循环次数,k表示当前的循环次数,K0-k表示剩余的循环次数;所述中间关节的关节角度变化量是指相邻迭代计算之间的关节角度的改变量;
其中,根据肢端的姿态信息变化量计算所述人体骨骼链的中间关节的关节角度变化量包括:依次判断每个中间关节的关节角度变化量对应的梯度值是否为零,若为零则在误差允许的范围内修正中间关节的角度信息以使该中间关节对应的梯度值不为零,若不为零则保持该梯度值;为节点P1、P2…Pn-1所分别对应的中间关节的角度信息赋予不同的权重值,靠近肢端Pn的节点所对应的中间关节设置较大的权重值,以优先调整中间关节的关节角度变化量;用t a p e n a d e工具反向计算各个中间关节的关节角度变化量,根据计算各个中间关节的关节角度变化量△x且分别为△x1、△x2…△xi…、△xn-1,其中的为△x的梯度值;所述人体骨骼链的中间关节的关节角度变化量为相邻两次迭代计算之间的关节角度的改变量;y表示肢端Pn的理论目的姿态信息,x表示节点P1、P2…Pi…Pn-1所分别对应的中间关节的角度信息;
根据计算出的中间关节的关节角度变化量更新人体骨骼链的初始姿态信息,根据计算出的肢端的理论目的姿态信息更新肢端的姿态信息变化量,并进入根据人体骨骼链的初始姿态信息,按照正向运动学方式计算出肢端的理论目的姿态信息的步骤,直到判断肢端的理论目的姿态信息接近肢端的实际目的姿态信息为止;
其中,根据计算出的中间关节的关节角度变化量更新人体骨骼链的初始姿态信息包括:将每个中间关节的角度信息xi与得到的关节角度变化量△xi求和,得到角度值xi´=xi+△xi,将该角度值xi´更新至节点Pi所对应的中间关节的角度信息xi;
判断当前的循环次数k是否达到设定值0.9*K0,当k达到0.9*K0时根据每个骨骼当前的骨骼长度和其预设的骨骼长度变化量更新该骨骼的骨骼长度,更新骨骼长度的过程包括骨骼长度的拉伸过程和骨骼形状的弯曲变形过程;在k未达到0.9*K0时,根据计算出的肢端Pn的理论目的姿态信息、剩余的循环次数K0-k以及肢端Pn的实际目的姿态信息,更新肢端Pn的姿态信息变化量,此时肢端Pn的姿态信息变化量用公式表示为
△y ´=(肢端的实际目的姿态信息—肢端的理论目的姿态信息)/(K0-k)。
2.如权利要求1所述的骨骼姿态计算方法,其特征在于,所述方法还包括:
获取所述人体骨骼链的初始姿态信息;
获取根节点的实际目的姿态信息,以及肢端的实际目的姿态信息。
3.如权利要求2所述的骨骼姿态计算方法,其特征在于,所述根据人体骨骼链的初始姿态信息,按照正向运动学方式计算出肢端的理论目的姿态信息,包括:
基于根节点的初始姿态信息、中间关节的角度信息以及各个骨骼的骨骼长度,计算肢端的理论目的姿态信息。
4.如权利要求2所述的骨骼姿态计算方法,其特征在于,所述根据计算出的中间关节的关节角度变化量更新人体骨骼链的初始姿态信息,包括:
将每个中间关节的角度信息与计算出的对应的关节角度变化量求和,并将求和得到的角度值更新为该中间关节的角度信息;
根据根节点的初始姿态信息、根节点的实际目的姿态信息以及预设的循环次数,更新根节点的初始姿态信息。
5.如权利要求2所述的骨骼姿态计算方法,其特征在于,所述根据计算出的肢端的理论目的姿态信息更新肢端的姿态信息变化量,包括:
根据计算出的肢端的理论目的姿态信息、剩余的循环次数以及肢端的实际目的姿态信息,更新肢端的姿态信息变化量。
6.如权利要求5所述的骨骼姿态计算方法,其特征在于,所述获取肢端的姿态信息变化量,包括:
根据肢端的初始姿态信息、预设的循环次数以及肢端的实际目的姿态信息,获取肢端的姿态信息变化量;或,
获取已更新的肢端的姿态信息变化量。
7.如权利要求1所述的骨骼姿态计算方法,其特征在于,所述姿态信息包括:位置信息和角度信息;所述判断肢端的理论目的姿态信息是否接近肢端的实际目的姿态信息,包括:
先判断是否在预设的循环次数之内,若在循环次数之内,则接着判断肢端的理论目的位置信息与实际目的位置信息之差是否在误差范围内,以及判断肢端的理论目的角度信息与实际目的角度信息之差是否在误差范围内,若判断结果均为是,则认为肢端的理论目的姿态信息接近肢端的实际目的姿态信息。
8.一种人物虚拟模型驱动方法,其特征在于,包括以下步骤:
信息获取步骤:设置肢体的初始姿态信息,以及获取肢端的实际目的姿态信息;所述肢体包括人体骨骼链,所述人体骨骼链包括根节点P1、肢端Pn和中间的节点P2~Pn-1,以及节点P1、P2…Pn-1分别对应的中间关节;所述初始姿态信息包括根节点的初始姿态信息、中间关节的角度信息、各个骨骼的骨骼长度以及肢端的初始姿态信息;
迭代计算步骤:执行权利要求1-7任一项所述的骨骼姿态计算方法;
模型驱动步骤:当肢端的理论目的姿态信息接近肢端的实际目的姿态信息时,获取人体骨骼链的中间关节的理论目的角度信息,并根据肢端的实际目的姿态信息,以及获取的人体骨骼链的中间关节的理论目的角度信息驱动人物虚拟模型。
9.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求8所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810403604.9A CN108876815B (zh) | 2018-04-28 | 2018-04-28 | 骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质 |
PCT/CN2018/090785 WO2019205238A1 (zh) | 2018-04-28 | 2018-06-12 | 骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810403604.9A CN108876815B (zh) | 2018-04-28 | 2018-04-28 | 骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876815A CN108876815A (zh) | 2018-11-23 |
CN108876815B true CN108876815B (zh) | 2021-03-30 |
Family
ID=64326887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810403604.9A Active CN108876815B (zh) | 2018-04-28 | 2018-04-28 | 骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108876815B (zh) |
WO (1) | WO2019205238A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11809616B1 (en) | 2022-06-23 | 2023-11-07 | Qing Zhang | Twin pose detection method and system based on interactive indirect inference |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347255B (zh) * | 2019-07-03 | 2023-06-13 | 灶灶科技有限公司 | 一种基于3d动态模拟技术的体感交互系统 |
CN110675474B (zh) * | 2019-08-16 | 2023-05-02 | 咪咕动漫有限公司 | 虚拟角色模型的学习方法、电子设备和可读存储介质 |
CN110531866B (zh) * | 2019-10-29 | 2020-03-13 | 深圳市瑞立视多媒体科技有限公司 | 基于改进的反向运动学进行姿态解算的方法及相关设备 |
CN112950751A (zh) * | 2019-12-11 | 2021-06-11 | 阿里巴巴集团控股有限公司 | 姿态动作的展示方法及装置、存储介质、系统 |
CN111080755B (zh) * | 2019-12-31 | 2023-11-14 | 上海米哈游天命科技有限公司 | 一种运动解算方法、装置、存储介质及电子设备 |
CN111494911A (zh) * | 2020-04-21 | 2020-08-07 | 江苏省人民医院(南京医科大学第一附属医院) | 一种基于激光式动作捕捉系统的传统功法评估系统 |
CN111571586B (zh) * | 2020-05-07 | 2020-12-11 | 江苏原力数字科技股份有限公司 | 一种反向动力学自由度的动态约束方法 |
CN112215898B (zh) * | 2020-09-18 | 2024-01-30 | 深圳市瑞立视多媒体科技有限公司 | 多相机间帧数据均衡控制方法、装置和计算机设备 |
CN112037312B (zh) * | 2020-11-04 | 2021-02-09 | 成都市谛视科技有限公司 | 实时人体姿态逆向运动学求解方法及装置 |
CN112348931B (zh) * | 2020-11-06 | 2024-01-30 | 网易(杭州)网络有限公司 | 脚部反向运动控制方法、装置、设备及存储介质 |
CN112486331A (zh) * | 2020-12-18 | 2021-03-12 | 清华大学 | 基于imu的三维空间手写输入方法和装置 |
CN112819971B (zh) * | 2021-01-26 | 2022-02-25 | 北京百度网讯科技有限公司 | 虚拟形象的生成方法、装置、设备和介质 |
CN114474066B (zh) * | 2022-03-04 | 2024-02-20 | 全爱科技(上海)有限公司 | 一种智能人形机器人控制系统和方法 |
CN116977501A (zh) * | 2022-04-22 | 2023-10-31 | 北京字跳网络技术有限公司 | 虚拟形象的控制方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040087787A (ko) * | 2003-04-09 | 2004-10-15 | (주)오즈인터미디어 | 3차원 온라인 게임을 위한 아바타 체형 변형 시스템 |
CN104517310A (zh) * | 2014-10-21 | 2015-04-15 | 无锡梵天信息技术股份有限公司 | 利用反向动力学仿真的机器人动画方法 |
CN107491506A (zh) * | 2017-07-31 | 2017-12-19 | 西安蒜泥电子科技有限责任公司 | 批量模型姿势变换方法 |
CN107685330A (zh) * | 2017-10-18 | 2018-02-13 | 佛山华数机器人有限公司 | 一种六自由度手腕偏置串联机器人的运动学逆解求解方法 |
US9911219B2 (en) * | 2015-05-13 | 2018-03-06 | Intel Corporation | Detection, tracking, and pose estimation of an articulated body |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8406989B1 (en) * | 2009-02-13 | 2013-03-26 | Hrl Laboratories, Llc | Method for adaptive obstacle avoidance for articulated redundant robot arm |
CN104658038B (zh) * | 2015-03-12 | 2019-01-18 | 南京梦宇三维技术有限公司 | 基于动作捕捉的三维数字内容智能制作方法及制作系统 |
CN107553496B (zh) * | 2017-09-29 | 2020-09-22 | 南京阿凡达机器人科技有限公司 | 机械臂逆运动学求解方法误差的确定及校正方法和装置 |
-
2018
- 2018-04-28 CN CN201810403604.9A patent/CN108876815B/zh active Active
- 2018-06-12 WO PCT/CN2018/090785 patent/WO2019205238A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040087787A (ko) * | 2003-04-09 | 2004-10-15 | (주)오즈인터미디어 | 3차원 온라인 게임을 위한 아바타 체형 변형 시스템 |
CN104517310A (zh) * | 2014-10-21 | 2015-04-15 | 无锡梵天信息技术股份有限公司 | 利用反向动力学仿真的机器人动画方法 |
US9911219B2 (en) * | 2015-05-13 | 2018-03-06 | Intel Corporation | Detection, tracking, and pose estimation of an articulated body |
CN107491506A (zh) * | 2017-07-31 | 2017-12-19 | 西安蒜泥电子科技有限责任公司 | 批量模型姿势变换方法 |
CN107685330A (zh) * | 2017-10-18 | 2018-02-13 | 佛山华数机器人有限公司 | 一种六自由度手腕偏置串联机器人的运动学逆解求解方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11809616B1 (en) | 2022-06-23 | 2023-11-07 | Qing Zhang | Twin pose detection method and system based on interactive indirect inference |
Also Published As
Publication number | Publication date |
---|---|
CN108876815A (zh) | 2018-11-23 |
WO2019205238A1 (zh) | 2019-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876815B (zh) | 骨骼姿态计算方法、人物虚拟模型驱动方法及存储介质 | |
Dasari et al. | Robonet: Large-scale multi-robot learning | |
US9019278B2 (en) | Systems and methods for animating non-humanoid characters with human motion data | |
Ou et al. | A real-time human imitation system using kinect | |
CN111402290A (zh) | 一种基于骨骼关键点的动作还原方法以及装置 | |
JP5313562B2 (ja) | 行動制御システム | |
JP2010011926A (ja) | ゴルフクラブのスイングシミュレーション方法 | |
CN111724459B (zh) | 一种面向异构人体骨骼的运动重定向的方法及系统 | |
JPH10149445A (ja) | 身体動作解析可視化装置 | |
US20200089958A1 (en) | Image recognition method and apparatus, electronic device, and readable storage medium | |
CN111223168B (zh) | 目标对象控制方法、装置、存储介质和计算机设备 | |
CN112767534A (zh) | 视频图像处理方法、装置、电子设备及存储介质 | |
KR101021470B1 (ko) | 영상 데이터를 이용한 로봇 움직임 데이터 생성 방법 및 생성 장치 | |
US20170221248A1 (en) | Animating a virtual object in a virtual world | |
CN116420170A (zh) | 姿势的消歧 | |
CN113012268A (zh) | 静态行人图像的运动动态化方法、系统、装置及介质 | |
CN114417738B (zh) | 稀疏imu实时人体动作捕捉及关节受力预测方法及系统 | |
Ficht et al. | Nimbro-OP2X: Affordable adult-sized 3D-printed open-source humanoid robot for research | |
CN112381925B (zh) | 一种基于激光编码的全身跟踪定位方法及系统 | |
KR101635684B1 (ko) | 보행 동작 생성 및 제어 방법, 보행 컨트롤러 | |
Dang et al. | Imitation learning-based algorithm for drone cinematography system | |
CN114028156A (zh) | 康复训练方法、装置及康复机器人 | |
Chen et al. | Robotics-Final Project | |
Bravo M et al. | Trajectory generation from motion capture for a planar biped robot in swing phase | |
Aguirre et al. | Imitation for motor learning on humanoid robots |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |