Inertial aided navigation for improving controller tracking performance

Abstract

A processor-implemented method for controller tracking using inertial measurement data includes receiving, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device. The ANN model extracts a set of motion patterns for the controller device from the sequence of inertial measurement data. The ANN model correlates temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device. The ANN model generates a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns.

Description

INERTIAL AIDED NAVIGATION FOR IMPROVING CONTROLLER TRACKING PERFORMANCEFIELD OF THE DISCLOSURE

[0001] Aspects of the present disclosure generally relate to neural network models and more particularly to inertial aided navigation for improving controller tracking performance.BACKGROUND

[0002] Artificial neural networks may comprise interconnected groups of artificial neurons (e.g., neuron models) . The artificial neural network (ANN) may be a computational device or be represented as a method to be performed by a computational device. Convolutional neural networks (CNNs) are a type of feed-forward ANN. Convolutional neural networks may include collections of neurons that each have a receptive field and that collectively tile an input space. Convolutional neural networks, such as deep convolutional neural networks (DCNs) , have numerous applications. In particular, these neural network architectures are used in various technologies, such as image recognition, speech recognition, acoustic scene classification, keyword spotting, autonomous driving, and other classification tasks.

[0003] Inertial measurement units (IMUs) are inexpensive and ubiquitous sensors that provide linear accelerations and angular velocities. IMUs are included in many mobile devices such as smartphones and extended reality (XR) devices. As a result, mobile devices have become popular choices as controller devices for many applications including video gaming.

[0004] In many applications, the controller device may communicate with a host device (e.g., a video game console) using infrared (IR) light emitting diode (LED) technology. Controller tracking algorithms may combine visual information from IR LEDs and IMU data such as inertial information to calculate current poses. IMU double integration is one approach for inertial navigation to deduce current poses. However, sensor biases may explode quickly in double integration processes. Additionally, systems employing the double integration approach may not work in practice without additional constraints.

[0005] Data-driven approaches have recently made a breakthrough in relaxing some of the additional constraints such as fixed motion or pedestrian motion. In such conventional data-driven approaches, the acquisition of IMU sensor data and ground-truth motion trajectories may allow supervised learning of direct motion parameters. However, the controller spatial motion patterns may have a higher complexity and may make employing such conventional approaches challenging.SUMMARY

[0006] Various aspects of the present disclosure are directed to an apparatus. The apparatus has at least one memory and one or more processors coupled to the memory. The processor (s) is configured to receive, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device. The processor (s) is also configured to extract, by the ANN model, a set of motion patterns for the controller device from the sequence of inertial measurement data. The processor (s) is additionally configured to correlate, by the ANN model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device. The processor (s) is further configured to generate, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns.

[0007] In some aspects of the present disclosure, a processor-implemented method includes receiving, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device. The processor-implemented method also includes extracting, by the ANN model, a set of motion patterns for the controller device from the sequence of inertial measurement data. The processor-implemented method additionally includes correlating, by the ANN model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device. The processor-implemented method further includes generating, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns.

[0008] Various aspects of the present disclosure are directed to an apparatus. The apparatus includes means for receiving, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device. The apparatus also includes means for extracting, by the ANN model, a set of motion patterns for the controller device from the sequence of inertial measurement data. The apparatus additionally includes means for correlating, by the ANN model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device. The apparatus further includes means for generating, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns.

[0009] Additional features and advantages of the disclosure will be described below. It should be appreciated by those skilled in the art that this disclosure may be readily utilized as a basis for modifying or designing other structures for carrying out the same purposes of the present disclosure. It should also be realized by those skilled in the art that such equivalent constructions do not depart from the teachings of the disclosure as set forth in the appended claims. The novel features, which are believed to be characteristic of the disclosure, both as to its organization and method of operation, together with further objects and advantages, will be better understood from the following description when considered in connection with the accompanying figures. It is to be expressly understood, however, that each of the figures is provided for the purpose of illustration and description only and is not intended as a definition of the limits of the present disclosure.BRIEF DESCRIPTION OF THE DRAWINGS

[0010] The features, nature, and advantages of the present disclosure will become more apparent from the detailed description set forth below when taken in conjunction with the drawings in which like reference characters identify correspondingly throughout.

[0011] FIGURE 1 illustrates an example implementation of a neural network using a system-on-a-chip (SOC) , including a general-purpose processor in accordance with certain aspects of the present disclosure.

[0012] FIGURES 2A, 2B, and 2C are diagrams illustrating a neural network in accordance with aspects of the present disclosure.

[0013] FIGURE 2D is a diagram illustrating an exemplary deep convolutional network (DCN) in accordance with aspects of the present disclosure.

[0014] FIGURE 3 is a block diagram illustrating an exemplary deep convolutional network (DCN) in accordance with aspects of the present disclosure.

[0015] FIGURE 4 is a block diagram illustrating an exemplary software architecture that may modularize artificial intelligence (AI) functions, in accordance with aspects of the present disclosure.

[0016] FIGURE 5 is a block diagram illustrating an example architecture for a network for tracking controller movement based on inertial measurement data, in accordance with various aspects of the present disclosure.

[0017] FIGURE 6 is a block diagram illustrating an example convolutional neural network (CNN) encoder, in accordance with various aspects of the present disclosure.

[0018] FIGURE 7 is a block diagram illustrating an example sequential prediction network decoder, in accordance with various aspects of the present disclosure.

[0019] FIGURE 8 is a diagram illustrating an example process for tracking controller movements based on inertial measurement data, in accordance with various aspects of the present disclosure.

[0020] FIGURE 9 is a flow diagram illustrating a process for tracking controller movements based on inertial measurement data, in accordance with aspects of the present disclosure.DETAILED DESCRIPTION

[0021] The detailed description set forth below, in connection with the appended drawings, is intended as a description of various configurations and is not intended to represent the only configurations in which the concepts described may be practiced. The detailed description includes specific details for the purpose of providing a  thorough understanding of the various concepts. However, it will be apparent to those skilled in the art that these concepts may be practiced without these specific details. In some instances, well-known structures and components are shown in block diagram form in order to avoid obscuring such concepts.

[0022] Based on the teachings, one skilled in the art should appreciate that the scope of the disclosure is intended to cover any aspect of the disclosure, whether implemented independently of or combined with any other aspect of the disclosure. For example, an apparatus may be implemented or a method may be practiced using any number of the aspects set forth. In addition, the scope of the disclosure is intended to cover such an apparatus or method practiced using other structure, functionality, or structure and functionality in addition to or other than the various aspects of the disclosure set forth. It should be understood that any aspect of the disclosure disclosed may be embodied by one or more elements of a claim.

[0023] The word “exemplary” is used to mean “serving as an example, instance, or illustration. ” Any aspect described as “exemplary” is not necessarily to be construed as preferred or advantageous over other aspects.

[0024] Although particular aspects are described, many variations and permutations of these aspects fall within the scope of the disclosure. Although some benefits and advantages of the preferred aspects are mentioned, the scope of the disclosure is not intended to be limited to particular benefits, uses or objectives. Rather, aspects of the disclosure are intended to be broadly applicable to different technologies, system configurations, networks, and protocols, some of which are illustrated by way of example in the figures and in the following description of the preferred aspects. The detailed description and drawings are merely illustrative of the disclosure rather than limiting, the scope of the disclosure being defined by the appended claims and equivalents thereof.

[0025] Inertial measurement units (IMUs) are inexpensive and ubiquitous sensors that are included in many mobile devices such as smartphones and extended reality (XR) devices. IMUs may offer a combination of gyroscopes, magnetometers, and accelerometers and may provide linear acceleration and angular velocity data. As such, IMUs may be employed in many navigation control and tracking applications, including video gaming extended reality.

[0026] In many applications, a controller device may communicate with a host device (e.g., a video game console) using visual information from a camera or infrared light emitting diode technology. Controller tracking algorithms may combine visual information from the camera or infrared (IR) light emitting diodes (LEDs) with IMU data, such as inertial information to calculate current poses. IMU double integration is one approach for inertial navigation to deduce current poses. In IMU double integration, given a device orientation, the measured acceleration may be integrated to determine the device velocity information and then a second integration provides device position information. However, the double integration approaches may lead to inaccurate position determinations due to sensor biases. The sensor biases may stem from mechanical systems that may only have relative positions and absolute velocity measurements available. Additionally, unknown biases may appear during sensors such as rate gyroscopes, accelerometers, altimeters, magnetometers, and other sensors. The sensor biases may explode quickly in double integration processes. As such, systems employing the double integration approach may not work in practice without additional constraints.

[0027] Data-driven approaches have recently made a breakthrough in relaxing some of the additional constraints, such as fixed motion or pedestrian motion. In such conventional data-driven approaches, the acquisition of IMU sensor data and ground-truth motion trajectories may allow supervised learning of direct motion parameters. However, the controller spatial motion patterns may have a higher complexity and may make employing such conventional approaches challenging.

[0028] Accordingly, to address these and other challenges, aspects of the present disclosure are directed to a network component for estimating displacement based on IMU data. The network component may enable three-dimensional (3D) relative displacement between time instants based on the IMU data between such time instants. The network component may include a convolutional neural network (CNN) encoder and a sequential prediction network decoder. The CNN encoder may extract motion patterns. The sequential prediction network decoder may learn continuous and regular controller movement. The network component may also include one or more attention mechanisms. The attention mechanisms may, for instance, be included between the CNN encoder and the sequential prediction network decoder and between the sequential prediction network decoder and an output layer. As such, the attention mechanisms may attend important hidden units.

[0029] Particular aspects of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. In some examples, the described techniques (e.g., correlating, by an artificial neural network (ANN) model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device; or generating, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns) may increase accuracy in controller displacement prediction and enable controller pose determination during periods of infrared LED sensor occlusion.

[0030] FIGURE 1 illustrates an example implementation of a system-on-a-chip (SOC) 100, which may include a central processing unit (CPU) 102 or a multi-core CPU configured for controller tracking using inertial measurement data. Variables (e.g., neural signals and synaptic weights) , system parameters associated with a computational device (e.g., neural network with weights) , delays, frequency bin information, and task information may be stored in a memory block associated with a neural processing unit (NPU) 108, in a memory block associated with a CPU 102, in a memory block associated with a graphics processing unit (GPU) 104, in a memory block associated with a digital signal processor (DSP) 106, in a memory block 118, or may be distributed across multiple blocks. Instructions executed at the CPU 102 may be loaded from a program memory associated with the CPU 102 or may be loaded from a memory block 118.

[0031] The SOC 100 may also include additional processing blocks tailored to specific functions, such as a GPU 104, a DSP 106, a connectivity block 110, which may include fifth generation (5G) connectivity, fourth generation long term evolution (4G LTE) connectivity, Wi-Fi connectivity, USB connectivity, Bluetooth connectivity, and the like, and a multimedia processor 112 that may, for example, detect and recognize gestures. In one implementation, the NPU 108 is implemented in the CPU 102, DSP 106, and / or GPU 104. The SOC 100 may also include a sensor processor 114, image signal processors (ISPs) 116, and / or navigation module 120, which may include a global positioning system. The navigation module 120 may also include an inertial measurement unit to detect inertial measurement information.

[0032] The SOC 100 may be based on an ARM, RISC-V (RISC-five) , or any reduced instruction set computing (RISC) architecture. In aspects of the present disclosure, the instructions loaded into the general-purpose processor 102 may include code to receive, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device. The instructions loaded into the general-purpose processor 102 may also include code extract, by the ANN model, a set of motion patterns for the controller device from the sequence of inertial measurement data. The instructions loaded into the general-purpose processor 102 may additionally include code correlate, by the ANN model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device. The instructions loaded into the general-purpose processor 102 may also include code generate, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns.

[0033] Deep learning architectures may perform an object recognition task by learning to represent inputs at successively higher levels of abstraction in each layer, thereby building up a useful feature representation of the input data. In this way, deep learning addresses a major bottleneck of traditional machine learning. Prior to the advent of deep learning, a machine learning approach to an object recognition problem may have relied heavily on human engineered features, perhaps in combination with a shallow classifier. A shallow classifier may be a two-class linear classifier, for example, in which a weighted sum of the feature vector components may be compared with a threshold to predict to which class the input belongs. Human engineered features may be templates or kernels tailored to a specific problem domain by engineers with domain expertise. Deep learning architectures, in contrast, may learn to represent features that are similar to what a human engineer might design, but through training. Furthermore, a deep network may learn to represent and recognize new types of features that a human might not have considered.

[0034] A deep learning architecture may learn a hierarchy of features. If presented with visual data, for example, the first layer may learn to recognize relatively simple features, such as edges, in the input stream. In another example, if presented with auditory data, the first layer may learn to recognize spectral power in specific frequencies. The second layer, taking the output of the first layer as input, may learn to recognize combinations of features, such as simple shapes for visual data or combinations of sounds for auditory data. For instance, higher layers may learn to represent complex shapes in visual data or words in auditory data. Still higher layers may learn to recognize common visual objects or spoken phrases.

[0035] Deep learning architectures may perform especially well when applied to problems that have a natural hierarchical structure. For example, the classification of motorized vehicles may benefit from first learning to recognize wheels, windshields, and other features. These features may be combined at higher layers in different ways to recognize cars, trucks, and airplanes.

[0036] Neural networks may be designed with a variety of connectivity patterns. In feed-forward networks, information is passed from lower to higher layers, with each neuron in a given layer communicating to neurons in higher layers. A hierarchical representation may be built up in successive layers of a feed-forward network, as described above. Neural networks may also have recurrent or feedback (also called top-down) connections. In a recurrent connection, the output from a neuron in a given layer may be communicated to another neuron in the same layer. A recurrent architecture may be helpful in recognizing patterns that span more than one of the input data chunks that are delivered to the neural network in a sequence. A connection from a neuron in a given layer to a neuron in a lower layer is called a feedback (or top-down) connection. A network with many feedback connections may be helpful when the recognition of a high-level concept may aid in discriminating the particular low-level features of an input.

[0037] The connections between layers of a neural network may be fully connected or locally connected. FIGURE 2A illustrates an example of a fully connected neural network 202. In a fully connected neural network 202, a neuron in a first layer may communicate its output to every neuron in a second layer, so that each neuron in the second layer will receive input from every neuron in the first layer. FIGURE 2B illustrates an example of a locally connected neural network 204. In a locally connected neural network 204, a neuron in a first layer may be connected to a limited number of neurons in the second layer. More generally, a locally connected layer of the locally connected neural network 204 may be configured so that each neuron in a layer will have the same or a similar connectivity pattern, but with connections strengths that may have different values (e.g., 210, 212, 214, and 216) . The locally connected connectivity pattern may give rise to spatially distinct receptive fields in a higher layer because the higher layer neurons in a given region may receive inputs that are tuned through training to the properties of a restricted portion of the total input to the network.

[0038] One example of a locally connected neural network is a convolutional neural network. FIGURE 2C illustrates an example of a convolutional neural network 206. The convolutional neural network 206 may be configured such that the connection strengths associated with the inputs for each neuron in the second layer are shared (e.g., 208) . Convolutional neural networks may be well suited to problems in which the spatial location of inputs is meaningful.

[0039] One type of convolutional neural network is a deep convolutional network (DCN) . FIGURE 2D illustrates a detailed example of a DCN 200 designed to recognize visual features from an image 226 input from an image capturing device 230, such as a car-mounted camera. The DCN 200 of the current example may be trained to identify traffic signs and a number provided on the traffic sign. Of course, the DCN 200 may be trained for other tasks, such as identifying lane markings or identifying traffic lights.

[0040] The DCN 200 may be trained with supervised learning. During training, the DCN 200 may be presented with an image, such as the image 226 of a speed limit sign, and a forward pass may then be computed to produce an output 222. The DCN 200 may include a feature extraction section and a classification section. Upon receiving the image 226, a convolutional layer 232 may apply convolutional kernels (not shown) to the image 226 to generate a first set of feature maps 218. As an example, the convolutional kernel for the convolutional layer 232 may be a 5x5 kernel that generates 28x28 feature maps. In the present example, because four different feature maps are generated in the first set of feature maps 218, four different convolutional kernels were applied to the image 226 at the convolutional layer 232. The convolutional kernels may also be referred to as filters or convolutional filters.

[0041] The first set of feature maps 218 may be subsampled by a max pooling layer (not shown) to generate a second set of feature maps 220. The max pooling layer reduces the size of the first set of feature maps 218. That is, a size of the second set of feature maps 220, such as 14x14, is less than the size of the first set of feature maps 218, such as 28x28. The reduced size provides similar information to a subsequent layer while reducing memory consumption. The second set of feature maps 220 may be further convolved via one or more subsequent convolutional layers (not shown) to generate one or more subsequent sets of feature maps (not shown) .

[0042] In the example of FIGURE 2D, the second set of feature maps 220 is convolved to generate a first feature vector 224. Furthermore, the first feature vector 224 is further convolved to generate a second feature vector 228. Each feature of the second feature vector 228 may include a number that corresponds to a possible feature of the image 226, such as “sign, ” “60, ” and “100. ” A softmax function (not shown) may convert the numbers in the second feature vector 228 to a probability. As such, an output 222 of the DCN 200 may be a probability of the image 226 including one or more features.

[0043] In the present example, the probabilities in the output 222 for “sign” and “60” are higher than the probabilities of the others of the output 222, such as “30, ” “40, ” “50, ” “70, ” “80, ” “90, ” and “100” . Before training, the output 222 produced by the DCN 200 may likely be incorrect. Thus, an error may be calculated between the output 222 and a target output. The target output is the ground-truth of the image 226 (e.g., “sign” and “60” ) . The weights of the DCN 200 may then be adjusted so the output 222 of the DCN 200 is more closely aligned with the target output.

[0044] To adjust the weights, a learning algorithm may compute a gradient vector for the weights. The gradient may indicate an amount that an error would increase or decrease if the weight were adjusted. At the top layer, the gradient may correspond directly to the value of a weight connecting an activated neuron in the penultimate layer and a neuron in the output layer. In lower layers, the gradient may depend on the value of the weights and on the computed error gradients of the higher layers. The weights may then be adjusted to reduce the error. This manner of adjusting the weights may be referred to as “back propagation” as it involves a “backward pass” through the neural network.

[0045] In practice, the error gradient of weights may be calculated over a small number of examples, so that the calculated gradient approximates the true error gradient. This approximation method may be referred to as stochastic gradient descent. Stochastic gradient descent may be repeated until the achievable error rate of the entire system has stopped decreasing or until the error rate has reached a target level. After learning, the DCN 200 may be presented with new images (e.g., the speed limit sign of the image 226) and a forward pass through the DCN 200 may yield an output 222 that may be considered an inference or a prediction of the DCN 200.

[0046] Deep belief networks (DBNs) are probabilistic models comprising multiple layers of hidden nodes. DBNs may be used to extract a hierarchical representation of training data sets. A DBN may be obtained by stacking up layers of Restricted Boltzmann Machines (RBMs) . An RBM is a type of artificial neural network that can learn a probability distribution over a set of inputs. Because RBMs can learn a probability distribution in the absence of information about the class to which each input should be categorized, RBMs are often used in unsupervised learning. Using a hybrid unsupervised and supervised paradigm, the bottom RBMs of a DBN may be trained in an unsupervised manner and may serve as feature extractors, and the top RBM may be trained in a supervised manner (on a joint distribution of inputs from the previous layer and target classes) and may serve as a classifier.

[0047] DCNs are networks of convolutional networks, configured with additional pooling and normalization layers. DCNs have achieved state-of-the-art performance on many tasks. DCNs can be trained using supervised learning in which both the input and output targets are known for many exemplars and are used to modify the weights of the network by use of gradient descent methods.

[0048] DCNs may be feed-forward networks. In addition, as described above, the connections from a neuron in a first layer of a DCN to a group of neurons in the next higher layer are shared across the neurons in the first layer. The feed-forward and shared connections of DCNs may be exploited for fast processing. The computational burden of a DCN may be much less, for example, than that of a similarly sized neural network that comprises recurrent or feedback connections.

[0049] The processing of each layer of a convolutional network may be considered a spatially invariant template or basis projection. If the input is first decomposed into multiple channels, such as the red, green, and blue channels of a color image, then the convolutional network trained on that input may be considered three-dimensional, with two spatial dimensions along the axes of the image and a third dimension capturing color information. The outputs of the convolutional connections may be considered to form a feature map in the subsequent layer, with each element of the feature map (e.g., 220) receiving input from a range of neurons in the previous layer (e.g., feature maps 218) and from each of the multiple channels. The values in the feature map may be further processed with a non-linearity, such as a rectification, max (0, x) . Values from adjacent neurons may be further pooled, which corresponds to down sampling, and may provide additional local invariance and dimensionality reduction. Normalization, which corresponds to whitening, may also be applied through lateral inhibition between neurons in the feature map.

[0050] FIGURE 3 is a block diagram illustrating a DCN 350. The DCN 350 may include multiple different types of layers based on connectivity and weight sharing. As shown in FIGURE 3, the DCN 350 includes the convolution blocks 354A, 354B. Each of the convolution blocks 354A, 354B may be configured with a convolution layer (CONV) 356, a normalization layer (LNorm) 358, and a max pooling layer (MAX POOL) 360.

[0051] Although only two of the convolution blocks 354A, 354B are shown, the present disclosure is not so limiting, and instead, any number of the convolution blocks 354A, 354B may be included in the DCN 350 according to design preference.

[0052] The convolution layers 356 may include one or more convolutional filters, which may be applied to the input data to generate a feature map. The normalization layer 358 may normalize the output of the convolution filters. For example, the normalization layer 358 may provide whitening or lateral inhibition. The max pooling layer 360 may provide down sampling aggregation over space for local invariance and dimensionality reduction.

[0053] The parallel filter banks, for example, of a deep convolutional network may be loaded on a CPU 102 or GPU 104 of an SOC 100 (e.g., FIGURE 1) to achieve high performance and low power consumption. In alternative embodiments, the parallel filter banks may be loaded on the DSP 106 or an ISP 116 of an SOC 100. In addition, the DCN 350 may access other processing blocks that may be present on the SOC 100, such as sensor processor 114 and navigation module 120, dedicated, respectively, to sensors and navigation.

[0054] The DCN 350 may also include one or more fully connected layers 362 (FC1 and FC2) . The DCN 350 may further include a logistic regression (LR) layer 364. Between each layer 356, 358, 360, 362, 364 of the DCN 350 are weights (not shown) that are to be updated. The output of each of the layers (e.g., 356, 358, 360, 362, 364) may serve as an input of a succeeding one of the layers (e.g., 356, 358, 360, 362, 364) in the DCN 350 to learn hierarchical feature representations from input data 352 (e.g., images, audio, video, sensor data and / or other input data) supplied at the first of the convolution blocks 354A. The output of the DCN 350 is a classification score 366 for the input data 352. The classification score 366 may be a set of probabilities, where each probability is the probability of the input data including a feature from a set of features.

[0055] FIGURE 4 is a block diagram illustrating an exemplary software architecture 400 that may modularize artificial intelligence (AI) functions. Using the architecture 400, applications may be designed that may cause various processing blocks of an SOC 420 (for example a CPU 422, a DSP 424, a GPU 426 and / or an NPU 428) (which may be similar to SOC 100 of FIGURE 1) to support controller tracking using inertial measurement data for an AI application 402, according to aspects of the present disclosure. The architecture 400 may, for example, be included in a computational device, such as a smartphone.

[0056] The AI application 402 may be configured to call functions defined in a user space 404 that may, for example, provide for the detection and recognition of a scene indicative of the location at which the computational device including the architecture 400 currently operates. The AI application 402 may, for example, configure a microphone and a camera differently depending on whether the recognized scene is an office, a lecture hall, a restaurant, or an outdoor setting such as a lake. The AI application 402 may make a request to compiled program code associated with a library defined in an AI function application programming interface (API) 406. This request may ultimately rely on the output of a deep neural network configured to provide an inference response based on video and positioning data, for example.

[0057] The run-time engine 408, which may be compiled code of a runtime framework, may be further accessible to the AI application 402. The AI application 402 may cause the run-time engine 408, for example, to request an inference at a particular time interval or triggered by an event detected by the user interface of the AI application 402. When caused to provide an inference response, the run-time engine 408 may in turn send a signal to an operating system in an operating system (OS) space 410, such as a Kernel 412, running on the SOC 420. In some examples, the Kernel 412 may be a LINUX Kernel. The operating system, in turn, may cause a continuous relaxation of quantization to be performed on the CPU 422, the DSP 424, the GPU 426, the NPU 428, or some combination thereof. The CPU 422 may be accessed directly by the operating system, and other processing blocks may be accessed through a driver, such as a driver 414, 416, or 418 for, respectively, the DSP 424, the GPU 426, or the NPU 428. In the exemplary example, the deep neural network may be configured to run on a combination of processing blocks, such as the CPU 422, the DSP 424, and the GPU 426, or may be run on the NPU 428.

[0058] As described, aspects of the present disclosure are directed to tracking controller movements based on inertial measurement data.

[0059] FIGURE 5 is a block diagram illustrating an example architecture 500 for a network for tracking controller movement based on inertial measurement data, in accordance with various aspects of the present disclosure. Referring to FIGURE 5, the example architecture 500 may include a convolutional neural network (CNN) encoder 502 and a sequential prediction network decoder 504. The CNN encoder 502 may, for example, comprise (but is not limited to) a residual network (ResNet) or a gated CNN. The CNN encoder 502 may receive a sequence of inertial measurement data from an inertial measurement unit (IMU) (e.g., 114, 120 of FIGURE 1) . The inertial measurement data may, for instance, include (but is not limited to linear acceleration data, orientation data, and angular velocity data. The CNN encoder 502 may be configured to extract controller motion patterns from the inertial measurement data.

[0060] The sequential prediction network decoder 504 may comprise a time-series prediction neural network, for instance. The sequential prediction network decoder 504 may be configured to learn temporary and regular controller movements. Temporary movements may refer to controller movements that may be instantaneous and variable with some irregularity when playing video games and adapting to changing circumstances such as in sports gaming (e.g., table tennis or shooting arrows) . In some aspects, such controller movements may be repetitive with some regularity over a longer period of time (e.g., greater than 1 minute) . For examples, the game may involve catching balls, reloading arrows with different angles and magnitude, hitting balls or throwing objects but the same or similar controller movements may be employed throughout the game.

[0061] The example architecture 500 may also include multiple attention mechanisms 506a, 506b. The attention mechanism 506a may be included between the CNN encoder 502 and the sequential prediction network decoder 504. The attention mechanism 506b may be included between the sequential prediction network decoder 504 and an output layer 508. In some aspects, the attention mechanisms 506a, 506b may comprise a self-attention layer or a cross-attention layer, for example. Self-attention may utilize queries, keys and values from the same sequential hidden states. Cross attention may utilize queries, keys and values from different sequential hidden states to find correlated information between different sequences.

[0062] In one example, the attention mechanism 506a comprises a self-attention layer and the attention mechanism 506b comprises a cross-attention layer. The attention mechanism 506a may attend important features among the extracted controller motion patterns. The attention mechanism 506b may correlate important sequences of controller motions with temporal positions within the sequence of inertial measurement data. Then, the example architecture 500 may, in turn, generate a sequence of predicted displacement.

[0063] The example architecture 500 may regress 3D relative displacements between time instants for a segment of inertial measurement data. In some aspects, the example architecture 500 may determine the 3D relative displacements based only on acceleration and angular velocity measurements.

[0064] FIGURE 6 is a block diagram illustrating an example CNN encoder 502, in accordance with various aspects of the present disclosure. Referring to FIGURE 6, the CNN encoder 502 may include multiple one-dimensional gated CNN blocks 602a-d. A gated CNN (GCNN) may represent a non-recurrent network. GCNNs may learn hierarchical structures in sequence data. Multiple convolution layers may be stacked to extract hierarchical features over larger contexts with more abstract features. GCNNs also include gating mechanisms to address the problem of vanishing gradients. The gating mechanism may be a gated linear unit (GLU) that may control the information propagated through the hierarchy of layers.

[0065] In FIGURE 6, four gated CNN blocks (e.g., 602a-d) are shown for ease of illustration. However, the present disclosure is not so limited. Each of the GCNN blocks 602a-d may have a residual connection and thus may extract current hidden variables of controller motion and capture temporal information through the gating mechanism.

[0066] In some aspects, the CNN encoder 502 may be configured with other types of convolutional neural blocks such as ResNet blocks, visual geometry group (VGG) blocks, or other convolutional neural network blocks, for example. VGG blocks may perform multiple convolutions in between down-sampling using a max-pooling layer.

[0067] The inertial measurement data may be processed through successive blocks (e.g., 602a-d) of the CNN encoder 502. Following the final hidden layer of the CNN encoder (e.g., 602d) , the attention mechanism 506a (e.g., a self-attention layer) may be inserted. The attention mechanism 506a may adaptively capture important information in the feature domain. In some aspects, one more linear layer (not shown) may be included to reshape the sequential hidden states, which may be provided to the sequential prediction network decoder 504.

[0068] FIGURE 7 is a block diagram illustrating an example sequential prediction network decoder 504, in accordance with various aspects of the present disclosure. The sequential prediction network decoder 504 may include a long short-term memory (LSTM) autoencoder. That is, the sequential prediction network decoder 504 may include a multi-layer LSTM encoder 702 and a multi-layer LSTM decoder 706. The sequential prediction network decoder 504 may also include a temporal attention mechanism 704.

[0069] The LSTM autoencoder may fuse the current hidden state with previous hidden states and produce the best current hidden state of controller motion in time series. The temporal attention mechanism 704 may select relevant hidden states of the multi-layer LSTM encoder 702 across all time steps in the sequence domain.

[0070] In some aspects, the multi-layer LSTM decoder 706 may be replaced by other sequential networks including, but not limited to, recurrent neural network (RNN) layers, temporal convolutional network (TCN) blocks, or RNN + TCN architecture, for example. For increased context length scalability, various transformers and parallel space state model (SSM) frameworks may be employed for longer sequence-length inputs.

[0071] FIGURE 8 is a diagram illustrating an example process 800 for tracking controller movement based on inertial measurement data, in accordance with various aspects of the present disclosure. Referring to FIGURE 8, the example architecture 500 (of FIGURE 5) may receive a sequence of inertial measurement data 802. The sequence of inertial measurement data 802 may be received from an inertial measurement unit (e.g., 114, 120 of FIGURE 1) . In various aspects, the inertial measurement data 802 may be received from a remote controller device. For instance, the inertial measurement data 802 may be received form from the remote controller device via Wi-Fi or Bluetooth connectivity (e.g., 110 of FIGURE 1) . In some aspects, visual information associated with the controller, including (but not limited to) image data or IR LED data, for example, may also be received.

[0072] The sequence of inertial measurement data 802 may, for instance, include (but is not limited to) linear acceleration data, orientation data, and angular velocity data. The sequence of inertial measurement data 802 may have a sequence length L and may be segmented (e.g., a-e) into multiple windows according to the size of an inertial measurement unit (IMU) data buffer, for example. Each segment (e.g., a-e) of the inertial measurement data 802 may be received by the example architecture 500. For instance, the segments (e.g., a-e) of inertial measurement data 802 may be received by the CNN encoder 502. The CNN encoder 502 may process the segments (e.g., a-e) of the inertial measurement data 802 over multiple successive layers (e.g., 602a-d of FIGURE 6) to extract features such as controller motion patterns from each of the segments of the sequence of the inertial measurement data 802. The sequential prediction network decoder 504 determines the correlation between the segments and the extracted features to generate a prediction of the displacement for each of the segments.

[0073] In turn, the example architecture 500 may output a prediction of the 3D displacement of the controller during each segment.

[0074] In some aspects, the sequence length, window size, forecasting prediction length, delta positions, and trajectories, as well as net parameters may be adjustable input parameters. Additionally, the configuration of the feature extractor, the attention mechanism and the sequential predictor may be selectable for various interactive controller motion tracking tasks, or other XR devices.

[0075] In some aspects, a controller’s IR LEDs may be occluded (e.g., blocked or obstructed) or out of view temporarily (e.g., absence of visual information) . As such, the IMU inferenced position may be fused into a multi-sensor fusion architecture to calculate controller poses in the short time (e.g., less than one second) . The IMU inferenced position may represent the predicted displacement of the controller, which may correspond to the time span of the occlusion period. The controller tracking process may comprise a multi-sensor fusion filter. The multi-sensor fusion filter may calculate the cost function from various measurements and may minimize the cost function to update state vectors of the current controller, including position, orientation, velocity, and biases, for example.

[0076] Aspects of the present disclosure may update the current nominal states by minimizing the following cost function. At each time step k, one objective is to minimize the cost function: Prior cost: Ck-1=‖Rk-1δxk-1-rk-1‖2      (2) where represents the total cost function to be minimized, CIMUrepresents the IMU  measurement cost (Equation 4) , CVision represents the visual measurement cost (Equation 3) and CModel represents the IMU model inference cost, and Ck-1 represents the prior cost. Visual information such as image data or an infrared (IR) light emitting diode (LED) data may be summed up through the camera modules (e.g., 116 of FIGURE 1) may be considered the visual measurement cost. The visual measurement cost may originate from a reprojection error for various LEDs locations. The IMU double integrated pose may be considered the IMU Measurement cost. The IMU measurement cost may be attributed to an IMU pre-integration process of consecutive states k and k-1. The prior and marginalized states ay be considered the Prior cost, which may be attributed to the cost function of last states k-1.

[0077] When an absence of visual information is determined and normal tracking has been lost, the inferenced delta position from an IMU prediction network may be used and may be considered the IMU model inference cost term, which may relate to the controller positions i, j during the occlusion period, x / p refer to corresponding controller states / positions, and uppercase R\H\F represents a square root of the Hessian matrix, and lowercase r represents corresponding residual vector.

[0078] When the controller is out of view for longer periods (e.g., greater than one second) , a net predicted displacement may be fused into a stand-alone extended Kalman filter (EKF) to output controller poses at the inertial measurement data (e.g., IMU data) frames per second (fps) . In one example, inertial measurement information (e.g., IMU data) , such as the linear acceleration and / or the angular velocity, may serve as measurements for propagating a current state in the EKF window, along with new inertial measurement data arriving. Accompanied with the incoming inertial measurement data, a global gravity-aligned rotation from an attitude and heading reference system (AHRS) filter may update orientation estimates. In AHRS, measurements from a gyroscope, an accelerometer, and a magnetometer may be combined to estimate the orientation of a device (e.g., smartphone or other mobile device) . The AHRS filter may be updated with network (e.g., 500) inference results for every intended timespan as follows: Past states j and current state s: where the Equations 6-7 describe the full state vector of the EKF filter including current  controller position rotation velocity and IMU bias ba, bg, with past controller poses

[0079] Propagate from time i to time j:

[0080] Equations 8-11 may be used to propagate the current controller states when new IMU data is received using an IMU double integration process integrating the angular velocity to determine rotation estimates, and integrating linear acceleration to determine velocity estimate and then position estimates.

[0081] The current state may be updated using AHRS rotation information:

[0082] The gravity-aligned rotation may be provided by the stand-alone AHRS attitude filter with the same frame rate (e.g., fps) of the IMU data that may be used to update the controller states. That is, the controller states may be updated by calculating corresponding residual between filter estimate value and update value (Equation 12) as well as related the Jacobian matrix (Equation 13) for EKF update process.

[0083] In the same manner, the inferred delta position through the IMU prediction network could be used to calculate corresponding residual and Hessian matrix. The residual  (Equation 14) and Jacobian matrix H (Equations 15-16) may then be used to update the EKF filter with the corresponding controller states between time i and time j as follows:

[0084] The net predicted displacement may refer to the IMU inferenced position or the predicted displacement from the network model (e.g., 500 of FIGURE 5) . The EKF filter may utilize a propagation process and an update process to calculate the controller states inside (Equations 6-7) . For new IMU measurement data received, the current controller state propagates with input linear acceleration and angular velocity (Equations 8-11) . The AHRS rotation be received with the same frame rate (e.g., fps) as the IMU data, which is used to update the EKF filter (Equations 12-13) . The network inferenced delta position comes at a greater frame rate (e.g., fps) than the IMU data, which may also be used to update the EKF filter (Equations 14-16) .

[0085] During the training phase, a target ground-truth position may be transformed to a local body coordinate (e.g., IMU coordinates) . Although the local body coordinate may change in every frame, resulting in inconsistent motion representation, the same controller motion may be transformed into various trajectories depending on how a user holds the controller. Thus, the target ground-truth position may align to the first body coordinate of a current IMU sequence to learn rotation invariance characteristics. For increased generalization, random rotation may be imposed to feature and target data at the same time in consideration of various controller grip poses. Furthermore, random Gaussian bias and noise may be added to the raw inertial measurement data (e.g., raw IMU data) for the training set.

[0086] The raw inertial measurement data may be directly acquired from a system Nordic layer, during which phase scale factors, axis misalignments, and large time-varying biases may be corrected. AHRS rotations may also provide accurate rotation measurements, which may be considered as ground-truth when visual information is not available.

[0087] Accordingly, compared to other data-driven neutral frameworks, the described techniques may regress complex controller motion patterns by using CNN blocks to extract controller motion, LSTM blocks to make time-series prediction, and a dual-stage attention mechanism to focus on useful hidden units. The described capabilities are unique to the discussed framework and have not been generalized by another neural network publicly available for the same controller dataset.

[0088] By using highly robust but relatively low-precision net information, the robustness and accuracy of traditional controller visual-inertial systems may be enhanced. Moreover, aspects of the present disclosure may learn controller movement priors from inertial measurement data (e.g., IMU data) . Net inference results may be fused with visual inertial navigation systems (VINs) to improve the robustness of odometry in challenging environments while maintaining a higher precision level.

[0089] Thus, aspects of the present disclosure may beneficially have application in short-term usage in controller tracking scenarios. For instance, this may be the case when the controller is occluded or temporarily out of view, the IMU inferenced displacement may be fused into the original multi-sensor fusion architecture to calculate controller poses during the short time of occlusion.

[0090] Aspects of the present disclosure may also be applicable in long term usage in controller tracking. For example, when the controller is out of view in long term usage (greater than one second) , the IMU inferenced displacement may be fused into a stand-alone IMU data-driven EKF to output controller poses at the IMU data frames per second.

[0091] Furthermore, aspects of the present disclosure may be applicable to extended reality (XR) devices. For example, the same IMU data-driven techniques may be used in any XR device, including rings, pens, wristbands, and the like, with IMU mounted equipment.

[0092] FIGURE 9 is a flow diagram illustrating a processor-implemented method 900 for controller tracking based on inertial measurement data, in accordance with various aspects of the present disclosure. The processor-implemented method 900 may be performed by one or more processors such as the CPU (e.g., 102, 422) , GPU (e.g., 104, 426) , and / or other processing unit (e.g., DSP 424, NPU 428) , for example.

[0093] As shown in FIGURE 9, at block 902, the one or more processors receive, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device. As described, for example with respect to FIGURE 5, the CNN encoder 502 may receive a sequence of inertial measurement data from an inertial measurement unit (IMU) (e.g., 114, 120 of FIGURE 1) . The inertial measurement data may, for instance, include (but is not limited to linear acceleration data, orientation data, and angular velocity data.

[0094] At block 904, the one or more processors extract, by the ANN model, a set of motion patterns for the controller device from the sequence of inertial measurement data. For instance, as described with respect to FIGURE 5, the CNN encoder 502 may be configured to extract controller motion patterns from the inertial measurement data.

[0095] At block 906, the one or more processors correlate, by the ANN model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device. For instance, as described with respect to Figure 5, the attention mechanism 506a may attend important features among the extracted controller motion patterns. The attention mechanism 506b may correlate important sequences of controller motions with temporal positions within the sequence of inertial measurement data.

[0096] At block 908, the one or more processors generate, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns. As described, for example with respect to FIGURE 5, hen, the example architecture 500 may, in turn, generate a sequence of predicted displacement. The example architecture 500 may regress 3D relative displacements between time instants for a segment of inertial measurement data. In various aspects, the example architecture 500 may determine the 3D relative displacements based only on acceleration and angular velocity measurements. Example Aspects

[0097] Aspect 1: An apparatus, comprising: at least one memory; and at least one processor coupled to the at least one memory, the at least one  processor being configured to: receive, by an artificial neural network (ANN) model, a sequence of  inertial measurement data for a controller device; extract, by the ANN model, a set of motion patterns for the controller  device from the sequence of inertial measurement data; correlate, by the ANN model, temporal information for the sequence of  inertial measurement data with the set of motion patterns for the controller device; and generate, by the ANN model, a prediction for at least one displacement  for the controller device based on the correlated temporal information with the set of motion patterns.

[0098] Aspect 2: The apparatus of Aspect 1, further comprising receiving visual information associated with the controller device, the visual information including one or more of infrared (IR) light emitting diode (LED) data or image data.

[0099] Aspect 3: The apparatus of Aspect 1 or 2, in which the sequence of inertial measurement data comprises one or more of a linear acceleration or an angular velocity for the controller device and the at least one processor is further configured to: partition the sequence of inertial measurement data into multiple segments, the  visual information being received for at least one of the multiple segments; and generate a three-dimensional (3D) controller displacement prediction for each of  the multiple segments based on the sequence of inertial measurement data and the visual information.

[0100] Aspect 4: The apparatus of any preceding Aspect, in which at least a first segment of the multiple segments has no visual information and the at least one processor is further configured to: fuse the 3D controller displacement prediction for at least a second segment of  the multiple segments with the first segment to form fused pose information; and generate a second prediction for the 3D controller displacement for the first  segment based on the fused pose information.

[0101] Aspect 5: The apparatus of any preceding Aspect, in which a plurality of the multiple segments have no visual information and the at least one processor is further configured to: utilize inertial measurement data for segments preceding the plurality of the  multiple segments as a current state of a square root inverse sliding window filter and rotation information from an attitude filter to update the current state; and generate a controller pose prediction for the plurality of the multiple segments  based on the updated current state of the square root inverse sliding window filter.

[0102] Aspect 6: The apparatus of any preceding Aspect, in which the ANN model includes a convolutional neural network (CNN) encoder and a sequential prediction network decoder.

[0103] Aspect 7: The apparatus of any preceding Aspect, in which the CNN encoder comprises one or more gated CNN blocks and the sequential prediction network decoder comprises one or more long short-term memory blocks.

[0104] Aspect 8: A processor-implemented method performed by one or more processors, the processor-implemented method comprising: receiving, by an artificial neural network (ANN) model, a sequence of inertial  measurement data for a controller device; extracting, by the ANN model, a set of motion patterns for the controller device  from the sequence of inertial measurement data; correlating, by the ANN model, temporal information for the sequence of inertial  measurement data with the set of motion patterns for the controller device; and generating, by the ANN model, a prediction for at least one displacement for the  controller device based on the correlated temporal information with the set of motion patterns.

[0105] Aspect 9: The processor-implemented method of Aspect 8, further comprising receiving visual information associated with the controller device, the visual information including one or more of infrared (IR) light emitting diode (LED) data or image data.

[0106] Aspect 10: The processor-implemented method of Aspect 8 or 9, in which the sequence of inertial measurement data comprises one or more of a linear acceleration or an angular velocity for the controller device and the processor-implemented method further comprises: partitioning the sequence of inertial measurement data into multiple segments,  the visual information being received for at least one of the multiple segments; and generating a three-dimensional (3D) controller displacement prediction for each  of the multiple segments based on the sequence of inertial measurement data and the visual information.

[0107] Aspect 11: The processor-implemented method of any of Aspects 8-10, in which at least a first segment of the multiple segments has no visual information and the processor-implemented method further comprises: fusing the 3D controller displacement prediction for at least a second segment of  the multiple segments with the first segment to form fused pose information; and generating a second prediction for the 3D controller displacement for the first  segment based on the fused pose information.

[0108] Aspect 12: The processor-implemented method of any of Aspects 8-11, in which a plurality of the multiple segments have no visual information and the processor-implemented method further comprises: utilizing inertial measurement data for segments preceding the plurality of the  multiple segments as a current state of a square root inverse sliding window filter and rotation information from an attitude filter to update the current state; and generating a controller pose prediction for the plurality of the multiple segments  based on the updated current state of the square root inverse sliding window filter.

[0109] Aspect 13: The processor-implemented method of any of Aspects 8-12, in which the ANN model includes a convolutional neural network (CNN) encoder and a sequential prediction network decoder.

[0110] Aspect 14: The processor-implemented method of any of Aspects 8-13, in which the CNN encoder comprises one or more gated CNN blocks and the sequential prediction network decoder comprises one or more long short-term memory blocks.

[0111] Aspect 15: An apparatus, comprising: means for receiving, by an artificial neural network (ANN) model, a sequence of  inertial measurement data for a controller device; means for extracting, by the ANN model, a set of motion patterns for the  controller device from the sequence of inertial measurement data; means for correlating, by the ANN model, temporal information for the  sequence of inertial measurement data with the set of motion patterns for the controller device; and means for generating, by the ANN model, a prediction for at least one  displacement for the controller device based on the correlated temporal information with the set of motion patterns.

[0112] Aspect 16: The apparatus of Aspect 15, further comprising means for receiving visual information associated with the controller device, the visual information including one or more of infrared (IR) light emitting diode (LED) data or image data.

[0113] Aspect 17: The apparatus of Aspect 15 or 16, in which the sequence of inertial measurement data comprises one or more of a linear acceleration or an angular velocity for the controller device and the apparatus further comprises: means for partitioning the sequence of inertial measurement data into multiple  segments, the visual information being received for at least one of the multiple segments; and means for generating a three-dimensional (3D) controller displacement  prediction for each of the multiple segments based on the sequence of inertial measurement data and the visual information.

[0114] Aspect 18: The apparatus of any of Aspects 15-17, in which at least a first segment of the multiple segments has no visual information and the apparatus further comprises: means for fusing the 3D controller displacement prediction for at least a second  segment of the multiple segments with the first segment to form fused pose information; and means for generating a second prediction for the 3D controller displacement for  the first segment based on the fused pose information.

[0115] Aspect 19: The apparatus of any of Aspects 15-18, in which a plurality of the multiple segments have no visual information and the apparatus further comprises: means for utilizing inertial measurement data for segments preceding the  plurality of the multiple segments as a current state of a square root inverse sliding window filter and rotation information from an attitude filter to update the current state; and means for generating a controller pose prediction for the plurality of the multiple  segments based on the updated current state of the square root inverse sliding window filter.

[0116] Aspect 20: The apparatus of any of Aspects 15-19, in which the ANN model includes a convolutional neural network (CNN) encoder and a sequential prediction network decoder.

[0117] In one aspect, the receiving means, extracting means, correlating means, and / or generating means may be the CPU (e.g., 102, 422) , GPU (e.g., 104, 426) , other processing unit (e.g., DSP 424, NPU 428) , program memory associated with the CPU 102, GPU 104, or other processing units (DSP 424, NPU 428) , fully connected layers 362, and / or the routing connection processing unit 216 configured to perform the functions recited. In another configuration, the aforementioned means may be any module or any apparatus configured to perform the functions recited by the aforementioned means.

[0118] The various operations of methods described above may be performed by any suitable means capable of performing the corresponding functions. The means may include various hardware and / or software component (s) and / or module (s) , including, but not limited to, a circuit, an application specific integrated circuit (ASIC) , or processor. Generally, where there are operations illustrated in the figures, those operations may have corresponding counterpart means-plus-function components with similar numbering.

[0119] As used, the term “determining” encompasses a wide variety of actions. For example, “determining” may include calculating, computing, processing, deriving, investigating, looking up (e.g., looking up in a table, a database, or another data structure) , ascertaining and the like. Additionally, “determining” may include receiving (e.g., receiving information) , accessing (e.g., accessing data in a memory) and the like. Furthermore, “determining” may include resolving, selecting, choosing, establishing, and the like.

[0120] As used, a phrase referring to “at least one of” a list of items refers to any combination of those items, including single members. As an example, “at least one of: a, b, or c” is intended to cover: a, b, c, a-b, a-c, b-c, and a-b-c.

[0121] The various illustrative logical blocks, modules and circuits described in connection with the present disclosure may be implemented or performed with a general-purpose processor, a digital signal processor (DSP) , an application specific integrated circuit (ASIC) , a field programmable gate array signal (FPGA) or other programmable logic device (PLD) , discrete gate or transistor logic, discrete hardware components or any combination thereof designed to perform the functions described. A general-purpose processor may be a microprocessor, but in the alternative, the processor may be any commercially available processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices, e.g., a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration.

[0122] The steps of a method or algorithm described in connection with the present disclosure may be embodied directly in hardware, in a software module executed by a processor, or in a combination of the two. A software module may reside in any form of storage medium that is known in the art. Some examples of storage media that may be used include random access memory (RAM) , read only memory (ROM) , flash memory, erasable programmable read-only memory (EPROM) , electrically erasable programmable read-only memory (EEPROM) , registers, a hard disk, a removable disk, a CD-ROM and so forth. A software module may comprise a single instruction, or many instructions, and may be distributed over several different code segments, among different programs, and across multiple storage media. A storage medium may be coupled to a processor such that the processor can read information from, and write information to, the storage medium. In the alternative, the storage medium may be integral to the processor.

[0123] The methods disclosed comprise one or more steps or actions for achieving the described method. The method steps and / or actions may be interchanged with one another without departing from the scope of the claims. In other words, unless a specific order of steps or actions is specified, the order and / or use of specific steps and / or actions may be modified without departing from the scope of the claims.

[0124] The functions described may be implemented in hardware, software, firmware, or any combination thereof. If implemented in hardware, an example hardware configuration may comprise a processing system in a device. The processing system may be implemented with a bus architecture. The bus may include any number of interconnecting buses and bridges depending on the specific application of the processing system and the overall design constraints. The bus may link together various circuits including a processor, machine-readable media, and a bus interface. The bus interface may be used to connect a network adapter, among other things, to the processing system via the bus. The network adapter may be used to implement signal processing functions. For certain aspects, a user interface (e.g., keypad, display, mouse, joystick, etc. ) may also be connected to the bus. The bus may also link various other circuits such as timing sources, peripherals, voltage regulators, power management circuits, and the like, which are well known in the art, and therefore, will not be described any further.

[0125] The processor may be responsible for managing the bus and general processing, including the execution of software stored on the machine-readable media. The processor may be implemented with one or more general-purpose and / or special-purpose processors. Examples include microprocessors, microcontrollers, DSP processors, and other circuitry that can execute software. Software shall be construed broadly to mean instructions, data, or any combination thereof, whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise. Machine-readable media may include, by way of example, random access memory (RAM) , flash memory, read only memory (ROM) , programmable read-only memory (PROM) , erasable programmable read-only memory (EPROM) , electrically erasable programmable Read-only memory (EEPROM) , registers, magnetic disks, optical disks, hard drives, or any other suitable storage medium, or any combination thereof. The machine-readable media may be embodied in a computer-program product. The computer-program product may comprise packaging materials.

[0126] In a hardware implementation, the machine-readable media may be part of the processing system separate from the processor. However, as those skilled in the art will readily appreciate, the machine-readable media, or any portion thereof, may be external to the processing system. By way of example, the machine-readable media may include a transmission line, a carrier wave modulated by data, and / or a computer product separate from the device, all which may be accessed by the processor through the bus interface. Alternatively, or in addition, the machine-readable media, or any portion thereof, may be integrated into the processor, such as the case may be with cache and / or general register files. Although the various components discussed may be described as having a specific location, such as a local component, they may also be configured in various ways, such as certain components being configured as part of a distributed computing system.

[0127] The processing system may be configured as a general-purpose processing system with one or more microprocessors providing the processor functionality and external memory providing at least a portion of the machine-readable media, all linked together with other supporting circuitry through an external bus architecture. Alternatively, the processing system may comprise one or more neuromorphic processors for implementing the neuron models and models of neural systems described. As another alternative, the processing system may be implemented with an application specific integrated circuit (ASIC) with the processor, the bus interface, the user interface, supporting circuitry, and at least a portion of the machine-readable media integrated into a single chip, or with one or more field programmable gate arrays (FPGAs) , programmable logic devices (PLDs) , controllers, state machines, gated logic, discrete hardware components, or any other suitable circuitry, or any combination of circuits that can perform the various functionality described throughout this disclosure. Those skilled in the art will recognize how best to implement the described functionality for the processing system depending on the particular application and the overall design constraints imposed on the overall system.

[0128] The machine-readable media may comprise a number of software modules. The software modules include instructions that, when executed by the processor, cause the processing system to perform various functions. The software modules may include a transmission module and a receiving module. Each software module may reside in a single storage device or be distributed across multiple storage devices. By way of example, a software module may be loaded into RAM from a hard drive when a triggering event occurs. During execution of the software module, the processor may load some of the instructions into cache to increase access speed. One or more cache lines may then be loaded into a general register file for execution by the processor. When referring to the functionality of a software module below, it will be understood that such functionality is implemented by the processor when executing instructions from that software module. Furthermore, it should be appreciated that aspects of the present disclosure result in improvements to the functioning of the processor, computer, machine, or other system implementing such aspects.

[0129] If implemented in software, the functions may be stored or transmitted over as one or more instructions or code on a computer-readable medium. Computer-readable media include both computer storage media and communication media including any medium that facilitates transfer of a computer program from one place to another. A storage medium may be any available medium that can be accessed by a computer. By way of example, and not limitation, such computer-readable media can comprise RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or any other medium that can be used to carry or store desired program code in the form of instructions or data structures and that can be accessed by a computer. Additionally, any connection is properly termed a computer-readable medium. For example, if the software is transmitted from a website, server, or other remote source using a coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL) , or wireless technologies such as infrared (IR) , radio, and microwave, then the coaxial cable, fiber optic cable, twisted pair, DSL, or wireless technologies such as infrared, radio, and microwave are included in the definition of medium. Disk and disc, as used, include compact disc (CD) , laser disc, optical disc, digital versatile disc (DVD) , floppy disk, and disc where disks usually reproduce data magnetically, while discs reproduce data optically with lasers. Thus, in some aspects, computer-readable media may comprise non-transitory computer-readable media (e.g., tangible media) . In addition, for other aspects computer-readable media may comprise transitory computer-readable media (e.g., a signal) . Combinations of the above should also be included within the scope of computer-readable media.

[0130] Thus, certain aspects may comprise a computer program product for performing the operations presented. For example, such a computer program product may comprise a computer-readable medium having instructions stored (and / or encoded) thereon, the instructions being executable by one or more processors to perform the operations described. For certain aspects, the computer program product may include packaging material.

[0131] Further, it should be appreciated that modules and / or other appropriate means for performing the methods and techniques described can be downloaded and / or otherwise obtained by a user terminal and / or base station as applicable. For example, such a device can be coupled to a server to facilitate the transfer of means for performing the methods described. Alternatively, various methods described can be provided via storage means (e.g., RAM, ROM, a physical storage medium such as a compact disc (CD) or floppy disk, etc. ) , such that a user terminal and / or base station can obtain the various methods upon coupling or providing the storage means to the device. Moreover, any other suitable technique for providing the methods and techniques described to a device can be utilized.

[0132] It is to be understood that the claims are not limited to the precise configuration and components illustrated above. Various modifications, changes, and variations may be made in the arrangement, operation, and details of the methods and apparatus described above without departing from the scope of the claims.

Claims

1.An apparatus, comprising:at least one memory; andat least one processor coupled to the at least one memory, the at least one processor being configured to:receive, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device;extract, by the ANN model, a set of motion patterns for the controller device from the sequence of inertial measurement data;correlate, by the ANN model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device; andgenerate, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns.2.The apparatus of claim 1, further comprising receiving visual information associated with the controller device, the visual information including one or more of infrared (IR) light emitting diode (LED) data or image data.3.The apparatus of claim 2, in which the sequence of inertial measurement data comprises one or more of a linear acceleration or an angular velocity for the controller device and the at least one processor is further configured to:partition the sequence of inertial measurement data into multiple segments, the visual information being received for at least one of the multiple segments; andgenerate a three-dimensional (3D) controller displacement prediction for each of the multiple segments based on the sequence of inertial measurement data and the visual information.4.The apparatus of claim 3, in which at least a first segment of the multiple segments has no visual information and the at least one processor is further configured to:fuse the 3D controller displacement prediction for at least a second segment of the multiple segments with the first segment to form fused pose information; andgenerate a second prediction for the 3D controller displacement for the first segment based on the fused pose information.5.The apparatus of claim 4, in which a plurality of the multiple segments have no visual information and the at least one processor is further configured to:utilize inertial measurement data for segments preceding the plurality of the multiple segments as a current state of a square root inverse sliding window filter and rotation information from an attitude filter to update the current state; andgenerate a controller pose prediction for the plurality of the multiple segments based on the updated current state of the square root inverse sliding window filter.6.The apparatus of claim 1, in which the ANN model includes a convolutional neural network (CNN) encoder and a sequential prediction network decoder.7.The apparatus of claim 6, in which the CNN encoder comprises one or more gated CNN blocks and the sequential prediction network decoder comprises one or more long short-term memory blocks.8.A processor-implemented method performed by one or more processors, the processor-implemented method comprising:receiving, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device;extracting, by the ANN model, a set of motion patterns for the controller device from the sequence of inertial measurement data;correlating, by the ANN model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device; andgenerating, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns.9.The processor-implemented method of claim 8, further comprising receiving visual information associated with the controller device, the visual information including one or more of infrared (IR) light emitting diode (LED) data or image data.10.The processor-implemented method of claim 9, in which the sequence of inertial measurement data comprises one or more of a linear acceleration or an angular velocity for the controller device and the processor-implemented method further comprises:partitioning the sequence of inertial measurement data into multiple segments, the visual information being received for at least one of the multiple segments; andgenerating a three-dimensional (3D) controller displacement prediction for each of the multiple segments based on the sequence of inertial measurement data and the visual information.11.The processor-implemented method of claim 10, in which at least a first segment of the multiple segments has no visual information and the processor-implemented method further comprises:fusing the 3D controller displacement prediction for at least a second segment of the multiple segments with the first segment to form fused pose information; andgenerating a second prediction for the 3D controller displacement for the first segment based on the fused pose information.12.The processor-implemented method of claim 11, in which a plurality of the multiple segments have no visual information and the processor-implemented method further comprises:utilizing inertial measurement data for segments preceding the plurality of the multiple segments as a current state of a square root inverse sliding window filter and rotation information from an attitude filter to update the current state; andgenerating a controller pose prediction for the plurality of the multiple segments based on the updated current state of the square root inverse sliding window filter.13.The processor-implemented method of claim 8, in which the ANN model includes a convolutional neural network (CNN) encoder and a sequential prediction network decoder.14.The processor-implemented method of claim 13, in which the CNN encoder comprises one or more gated CNN blocks and the sequential prediction network decoder comprises one or more long short-term memory blocks.15.An apparatus, comprising:means for receiving, by an artificial neural network (ANN) model, a sequence of inertial measurement data for a controller device;means for extracting, by the ANN model, a set of motion patterns for the controller device from the sequence of inertial measurement data;means for correlating, by the ANN model, temporal information for the sequence of inertial measurement data with the set of motion patterns for the controller device; andmeans for generating, by the ANN model, a prediction for at least one displacement for the controller device based on the correlated temporal information with the set of motion patterns.16.The apparatus of claim 15, further comprising means for receiving visual information associated with the controller device, the visual information including one or more of infrared (IR) light emitting diode (LED) data or image data.17.The apparatus of claim 16, in which the sequence of inertial measurement data comprises one or more of a linear acceleration or an angular velocity for the controller device and the apparatus further comprises:means for partitioning the sequence of inertial measurement data into multiple segments, the visual information being received for at least one of the multiple segments; andmeans for generating a three-dimensional (3D) controller displacement prediction for each of the multiple segments based on the sequence of inertial measurement data and the visual information.18.The apparatus of claim 17, in which at least a first segment of the multiple segments has no visual information and the apparatus further comprises:means for fusing the 3D controller displacement prediction for at least a second segment of the multiple segments with the first segment to form fused pose information; andmeans for generating a second prediction for the 3D controller displacement for the first segment based on the fused pose information.19.The apparatus of claim 18, in which a plurality of the multiple segments have no visual information and the apparatus further comprises:means for utilizing inertial measurement data for segments preceding the plurality of the multiple segments as a current state of a square root inverse sliding window filter and rotation information from an attitude filter to update the current state; andmeans for generating a controller pose prediction for the plurality of the multiple segments based on the updated current state of the square root inverse sliding window filter.20.The apparatus of claim 15, in which the ANN model includes a convolutional neural network (CNN) encoder and a sequential prediction network decoder.

Images