IMUOptimize: Un enfoque basado en datos para la colocación óptima de IMU para la estimación de la pose humana con arquitectura Transformer

Este artículo presenta un enfoque novedoso para predecir poses humanas utilizando datos de IMU, desviándose de estudios anteriores como DIP-IMU, IMUPoser y TransPose, que utilizan hasta 6 IMUs en conjunto con RNNs bidireccionales. Introducimos dos innovaciones principales: una estrategia basada en datos para la colocación óptima de IMU y una arquitectura de modelo basada en transformers para el análisis de series temporales. Nuestros hallazgos indican que nuestro enfoque no solo supera a los modelos de biRNN tradicionales basados en 6 IMU, sino que también demuestra que la arquitectura transformer mejora significativamente la reconstrucción de poses a partir de datos obtenidos de 24 ubicaciones de IMU, con un rendimiento equivalente a los biRNN al utilizar solo 6 IMUs. La mayor precisión proporcionada por nuestras ubicaciones elegidas de manera óptima, junto con la paralelización y el rendimiento de los transformers, ofrece mejoras significativas en el campo de la estimación de la pose basada en IMU.