ウェアラブルの数値をどこまで信頼できるか：速度、筋の活動タイミング、ジャンプ高
ウェアラブルに関する2026年の4本の検証研究——速度センサー、筋電図タイミング、無線EMG、ジャンプ機器——は一致します：集団や傾向には信頼でき、個々のセッション・筋・機器間比較には心もとない。
姿勢推定
センサーは測定そのものではない：慣性計測ユニット、汗、モデル化された力
2026年の3本の論文——多IMU同期、汗バイオセンサー、映像からの力の推定——は、測りたい量から推論を何段階か隔てています。センサーは測定そのものではなく、モデル化の各段が誤差を加えます。
姿勢推定モデルを別の用途へ流用する：スクワット、卓球、転倒リスク
2026年の3本の研究が、汎用の姿勢推定器に課題固有の段階を継ぎ足します——スクワット採点、卓球の肘、転倒予測——そのたびに同じ壁に：精度の数値は1つのカメラ構成のものだ、と。
マーカーレス運動学はどこまで信頼できるか：2本のレビューと、2本の検証研究
マーカーレス運動学に関する2026年の2本のレビューと2本の検証研究は、1つの答えに収束します——精度は単一の数値ではなく、関節・平面・課題に固有だ、と。
完成版：1台のウェブカメラで、体・顔・指・手首 — アバタートーク
アバタートークの集大成：体・顔・指・手首が、1台のウェブカメラで1つのVRMを、すべてブラウザ上で動かします。なぜ腕の計算では手首を回せないのか、間違った軸で曲がっていた親指、フレームの再利用と取りこぼしの計数、0.3を新しいゼロにするニュートラルな顔、鏡の原則——そして正直な約9fps（言っていた30ではなく）。
顔・手・フィルタリング：ウェブカメラ・アバターの完成 — アバタートーク #4（MediaPipe → three.js）
アバタートークの完結編：体・顔・手が1つのVRMを、ブラウザの単一レンダーループで動かします。遅延と揺れの二律背反を破る One Euro フィルター、ランドマークを「源」で平滑化、MediaPipeの52 ARKitブレンドシェイプをVRMの表情へ、そして指の「開閉（bend）だけ」を取るハンドトラッキング。
2つの姿勢推定パイプライン、1つの問い — 検証あり、それともなし？
作り方は同じ——姿勢を検出し、追跡し、分類する——でも根拠はまるで違う。2026年の一方は理学療法の運動を専門家の正解データと照合して採点し（RTMPose + GRU、約96%）、もう一方は正解ラベルなしでバスケの動きをプロファイリングし、それを自ら明言する。パイプラインを検証するのは検出器ではなく正解データです。
動きを捉えることはゴールではない — 運動学から、モデル化された傷害リスクの数値へ
動きは計測できた。でも終わりではありません。2026年7月の2本の論文が、検証済みの運動学からモデル化された傷害リスクの数値までをたどります。OpenCapマーカーレスのスコーピングレビュー（51件）と、バドミントンのランジからACL負荷を推定するモデル（OpenSim＋XGBoost、R²約0.91）。推論の層ごとに不確実性は積み重なります。
リターゲティング：ウェブカメラでVRMアバターを動かす — アバタートーク #3（MediaPipe → three.js）
アバタートーク #3：MediaPipeの姿勢ランドマークをVRMアバターのボーン回転へリターゲティングします。位置と回転の違い、MediaPipe→VRMの座標反転と鏡映し、基準→目標のクォータニオン、ワールド→ローカルのチェーン、フレームレート非依存のイージング、そしてカメラ1台の深度補正まで。
ブラウザで3D VRMアバターを読み込む — アバタートーク #2（three.js + three-vrm）
アバタートーク #2：本物の3D VRMアバターを、three.js と @pixiv/three-vrm でブラウザに読み込みます。VRMの標準ボーンマップがなぜ重要か、15MBモデルで効く後処理、2行で足す呼吸、そしてリップシンク用の表情システムまで。