東京工業大学は，胸装着型の小型超魚眼カメラで撮影した映像を深層学習ネットワークで学習することで，利用者の身体形状を正確に推定するモーションキャプチャ技術を開発した。さらに，身体形状と同時に頭部の向きを推定し，一人称視点映像を合成することを可能にした（ニュースリリース）。

モーションキャプチャ技術は，スポーツ科学，医療，アニメーション制作などで広く用いられており，現在は光学式と慣性式が主流となっている。

光学式モーションキャプチャシステムでは，同期させた複数台の高性能カメラを部屋の天井や壁に固定して，動作計測を行なう。しかしこのシステムは，利用者が広い空間を移動する場合には適用できなかった。また，利用者はマーカーの付いたスーツを着用しなければならず，利便性も低かった。

一方，慣性式モーションキャプチャシステムでは，各関節部分に慣性センサーを付けたスーツを着用し，動作計測を行なう。運動範囲は広いが，周辺に金属があると測定誤差が生じる。また，スーツ着用の手間がかかる点も光学式システムと同じで，光学式，慣性式ともに，導入コストは数百万円以上する。

近年，利用者に小型カメラを装着し，撮影した映像を深層学習ネットワークに学習させることで，利用者の動作推定をする研究が行なわれている。しかし，これまで開発された手法では，利用者の頭部にカメラを装着するために装着感が悪く，カメラの画角が小さいため，上肢部分のみの推定に限定されていた。

今回開発したモーションキャプチャシステムでは，利用者の胸に画角280度の超魚眼カメラを装着する。この超魚眼カメラで撮影した映像には，身体形状の推定に必要な，利用者の頭部，両手，両足が全て映っている。この超魚眼映像を入力とし，撮影時の3次元姿勢と一人称視点を出力とする深層学習ネットワークを新たに設計した。

深層学習のためには，人工データと実データのデータセットが必要になる。研究では，3次元CGを用いて作成した680,000枚の超魚眼映像と3次元姿勢からなる人工データと，実際に撮影した16,000枚の超魚眼映像と3次元姿勢からなる実データを用意した。

評価実験の結果，人工データでの各関節における平均誤差は，上肢部分で24.6mm，下肢部分で62.5mm，全体として43.6mmとなった。一方，実データでは平均誤差が84.9mmとなったが，これは今後のデータセットの拡充で精度向上が期待できるという。

また，このモーションキャプチャシステムは，カメラの小型化によって利便性が向上するとともに，コストダウンも可能だとしている。