wrong posture？

[yukichou]

hi，作者您好！感谢您的研究，在使用自己的imu进行测试时，发现手部imu只能驱动手腕而无法驱动肘部和肩膀，而在您的上一篇transpose中是正常的。这是什么原因导致的呢？由于init_pose是24个节点，我将dipimu的init_pose作为我的init_pose，6个对应部位imu的实时oris和acc作为输入。下面是full_joint的可视化，发现在rnn输出时已经存在这个问题。期待您的答复

[yukichou]

图是第一帧的full_joint可视化，这在transpose中呈现的是T-pose姿态，在pip中是肘部内锁的姿态

[Xinyu-Yi]

因为我们需要做T-pose calibration，应该使用T-pose的关节坐标作为初始化。速度初始化成0。并且T-pose calibration结束就马上开始跟踪。但是实际上这个初始化只会影响最开始几帧的精度，根据我的经验用这个A-pose也不会有太大影响，你得看看是不是其他地方出错了

[yukichou]

我部分解决了这个问题，code里面的predict代码batch-size是若干，一次运行。而实时imu的batchsize是1，每帧运行一次预测，将输入的initpose换成上一帧的输出pose能解决，但是姿态还是有很大问题。换一个问题：每次预测都只有一帧的情况下，初始pose是否就是上一帧的pose？请问会放单帧实时预测的代码吗？

[mariolew]

我这边也有根节点转圈圈的问题

[Xinyu-Yi]

那个代码是一次算一个序列的，你需要自己写一次传一帧的，把rnn输出的hidden states和cell states读出来，传给下一帧。初始化的mlp网络只需要第一次用，后面不用

[yukichou]

已经解决了，实时效果很不错，感谢作者回复～