{
  "paper_id": "82f7afad4997abe6d00e61505bc13b46",
  "paper_title": "FSGlove: An Inertial-Based Hand Tracking System with Shape-Aware Calibration",
  "paper_authors": [
    "Yutong Li",
    "Jieyi Zhang",
    "Wenqiang Xu",
    "Tutian Tang",
    "Cewu Lu"
  ],
  "publication_date": "",
  "publication_venue": "2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)",
  "abstract": "准确的手部动作捕捉对机器人、虚拟现实和生物力学应用至关重要，但现有系统在捕捉高自由度关节运动学和个性化手形方面存在局限。商用手套通常最多提供21个自由度，难以支持复杂操作，并且忽略了对接触丰富任务十分关键的手形差异。本文提出FSGlove，这是一种基于惯性测量单元的系统，可同时跟踪最多48个自由度，并通过新颖的DiffHCal校准方法重建个性化手形。每个手指关节和手背均配备IMU，以实现高分辨率运动感知。DiffHCal通过可微优化与参数化MANO模型集成，在一次简化校准流程中同时求解关节运动学、形状参数和传感器安装偏差。系统关节角误差小于2.7°，并在手形重建和接触保真度方面优于商用替代方案。FSGlove的开源软硬件设计兼容现有VR和机器人生态，其捕捉指尖揉搓等细微运动的能力有助于缩小人类灵巧性与机器人模仿之间的差距。\n",
  "keywords": [
    "手部动作捕捉",
    "数据手套",
    "惯性测量单元",
    "形状感知校准",
    "DiffHCal",
    "MANO模型",
    "高自由度跟踪",
    "接触保真度"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:25:49.013839Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n针对现有商用手部动作捕捉手套最多约21个自由度、难以记录指尖揉搓所需扭转自由度，并且普遍忽略骨长和软组织差异造成的个性化手形变化，导致接触丰富任务中运动迁移和手物交互失真的问题，论文在回顾柔性传感器、视觉、磁性传感器与IMU手套及其校准方法后，提出开源惯性手套FSGlove和形状感知校准框架DiffHCal。FSGlove在每根手指的近节、中节和远节指骨及手背布置共16个IMU，结合Raspberry Pi Zero 2W、定制USB-UART板、柔性印刷电路和外部背部跟踪器，可输出最多48个自由度的关节运动与全局腕部位姿；DiffHCal建立在可同时参数化姿态和形状的MANO模型上，通过休息、绕x轴旋转和绕y轴旋转三个参考姿态求解世界坐标变换A与每次佩戴产生的安装误差旋转C_i，关节角由θ_i=R_i^M(R_{i-1}^M)^{-1}计算，并利用拇指与各指尖接触的参考姿态最小化E_shape(β)=Σ||v_j(θ,β)-v_k(θ,β)||_2^2，以可微优化推断个性化形状参数β，同时完成与Nokov或HTC Vive等背部跟踪系统的对齐。实验选择定位精度0.5 mm、在100 mm尺度下角度基准精度约0.3°的Nokov光学系统作为单关节和手物交互真值，使用Photoneo深度相机、GroundedSAM手部分割和单向Chamfer距离评估形状重建，并选用ContactPose数据集中的大立方体、杯子、犹他茶壶、斯坦福兔子和大象五个物体测试接触一致性，从而分别验证关节测量、几何重建和物理接触可信度；对比对象包括VRTRIX、Meta Quest 3和Manus Metaglove。结果显示单关节估计偏差为±2.7°、标准差±1.8°、非线性0.7%，形状重建平均网格误差不超过3.6 mm，指尖捏合平均位置误差约15.7 mm，手物交互平均点到网格距离约20.2 mm，整体在形状和接触保真度上达到或优于现有方案，支持了高自由度IMU密集布置与接触驱动可微校准的核心创新。系统物料成本约426美元、采样率100 Hz、重量110 g、电池续航2小时，手套端延迟约24 ms、最终显示延迟约40 ms，适用于VR化身、遥操作、模仿学习、操作数据采集和未来手术机器人等场景；主要约束包括IMU长期漂移、极端捏合时传感器相互碰撞、手套织物拉伸后需每日重新校准，以及视觉方案在掌心朝下或遮挡时失效。后续可探索亚度级IMU、接触中软组织动态建模、更多手形泛化、触觉反馈、无人工干预的联邦个性化校准以及沉浸式遥操作验证。\n\n### 关键要点\n\n- FSGlove是开源的高自由度惯性数据手套，采用每指3个IMU加1个手背IMU的16传感器网络，可跟踪最多48个自由度。\n- DiffHCal基于MANO参数化手模型，将关节姿态、手形参数、IMU安装误差和腕部跟踪对齐纳入统一的可微优化流程。\n- 姿态校准只要求休息、x轴旋转和y轴旋转三个简单参考姿态，用于求解世界坐标变换和各IMU相对指骨的安装偏差。\n- 形状校准利用拇指与其他指尖接触的参考姿态，通过最小化MANO预设接触顶点对的距离推断个性化形状参数β。\n- 硬件包含Raspberry Pi Zero 2W、双CH9344 USB-UART桥接板、定制柔性印刷电路和1100 mAh电池，手套重110 g，可无线工作约2小时。\n- 16个IMU配置的物料成本约426美元，默认采样率100 Hz，手套端延迟约24 ms，GPU重建和可视化最终延迟约40 ms。\n- 在Nokov光学真值的单关节测试中，FSGlove角度偏差为±2.7°，标准差为±1.8°，传感器非线性为0.7%。\n- 形状重建实验使用Photoneo深度图、GroundedSAM分割和单向Chamfer距离，FSGlove平均网格误差不超过3.6 mm，表现接近Quest3并优于其他商用手套。\n- 指尖捏合实验中，FSGlove平均误差为15.7 mm，低于Quest3的19.6 mm、VRTRIX的18.9 mm和MANUS的33.2 mm。\n- 基于五个ContactPose物体的手物交互实验显示，FSGlove总平均点到网格距离为20.2 mm，优于Quest3的28.0 mm、VRTRIX的24.5 mm和MANUS的26.7 mm。\n- 系统约束包括IMU在30分钟尺度可能产生3°至10°漂移、织物长期拉伸需要每日校准、极端姿态下IMU可能碰撞，以及无线传输可能受网络拥塞影响。"
}