1,721,015 research outputs found
Aktivitätserkennung in Privathaushalten auf Basis eines unüberwachten Lernalgorithmus
Full text linkIn diesem Buch wurde eine Übersicht und kritische Zusammenfassung des derzeitigen Forschungsstandes zu Human Activity Recognition (HAR), zu Deutsch Aktivitätserkennung bei Menschen, durchgeführt. Dabei ergab sich eine Forschungslücke im Rahmen der nicht überwachten Lernalgorithmen für HAR-Systeme. Für überwachte Lernalgorithmen muss je Anwendung ein annotierter Datensatz über mehrere Wochen mühselig erstellt werden, bevor das HAR-System zum Einsatz kommen kann. Dies entfällt mit dem neuen HAR-System. Des Weiteren ist das neue System in der Lage auch parallel laufende Aktivitäten des täglichen Lebens (ADL, aus dem Englischen Activity of Daily Living) zu erkennen. Viele HAR-Systeme aus dem aktuellen Stand der Forschung sind dazu nicht in der Lage, da sie z.B. sequenziell arbeiten. Beide Probleme wurden mit dem neuen HAR-System erfolgreich gelöst.
Das in diesem Buch vorgestellte HAR-System ist eine neuartige Kombination aus einem stochastischen Modell und einem kognitiven Ansatz. Das HAR-System wird in drei Phasen angewandt. Die erste Phase ist die sogenannte Initialphase. In dieser ersten Phase wird a priori Wissen gesammelt. Das neue HAR-System benötigt im Gegensatz zu den Systemen der aktuellen Forschung nur sehr wenig a priori Wissen. Es wird die Art und Anzahl der Sensoren und der ADL benötigt, welche in eine sinnfällige initiale Verbindung miteinander gebracht werden. Diese Verbindung ist eine vorläufige und gleichverteilte Initialbelegung der Sensor-ADL-Beziehung, die in der Lernphase individuell an die jeweilige Person und Anwendungsfall angepasst wird. Es wird ein neuartiges Markov Modell (MM) und ein neu entwickeltes Impulsmodell (IM) erlernt. Das genutzte MM unterscheidet sich von den aktuellen MM durch dessen Zustandsdefinitionen, die die Sensorereigniskombinationen abbilden, wodurch das Segmentierungsproblem wegfällt. Dadurch können auch wichtige Strukturen aus dem MM extrahiert werden, die das menschliche Verhalten darstellen. Diese Strukturen werden durch neuartige Modellvergleiche bewertet. Das Resultat dieser Bewertung wird wiederum in Kombination mit dem neuen kognitiven IM in einem speziell dafür entwickelten iterativen Ansatz verwendet, um die initiale Sensor-ADL-Beziehung zu individualisieren. Diese neue Sensor-ADL-Beziehung ist Grundlage für die dritte und letzte Phase: der Anwendungsphase. Im IM wird die Sensor-ADL-Beziehung in Kombination mit neu entwickelten Regeln angewandt, um eine finale ADL-Wahrscheinlichkeitsverteilung der erkannten ADL zu berechnen. Diese besagt, welches ADL derzeit am wahrscheinlichsten ausgeführt wird und welche ADL gerade parallel zu anderen ADL ausgeführt werden.
Das neue HAR-System wurde mit drei Datensätzen unterschiedlichen Anspruchs und einem Benchmark getestet. Dieser Benchmark beinhaltete vier verschiedene stochastische Modelle des aktuellen Stands der Forschung. Das neue HAR-System ist in der Lage eine höhere Erkennungsrate als der Benchmark zu leisten und war im Durchschnitt 3,2% akkurater. Es erzielte eine 95-97%-ige Wiedererkennung der ADL. Durch die erstellten Konfusionsmatrizen ergab sich eine durchschnittliche Verbesserung von 42% in den Metriken für Sensitivität, Wirksamkeit und F-Maß. Ein weiterer großer Unterschied zum Benchmark ist, dass das neue HAR-System unüberwacht lernt. Dadurch fällt die Datenakquise im Vergleich zum Benchmark sehr gering aus und das neue HAR-System wirkt attraktiver für den Markt in dessen Anwendbarkeit.:1 Einführung in die Domäne 1
1.1 Motivation 1
1.2 Ambient Assistive Living 2
1.2.1 Menschliches Verhalten und technische Assistenz 4
1.2.2 Aktivitäten des täglichen Lebens 5
1.3 Zielstellung und Abgrenzung 6
2 AAL-Systeme 9
2.1 Human Activity Recognition 9
2.1.1 Sensorik 11
2.1.2 Lernansatz 13
2.1.3 Ereignisstromanalyse 16
2.1.4 Abbildungsgrad menschlichen Verhaltens 18
2.1.5 Fazit und Anforderungen 19
3 Human Activity Recognition - Modelle 21
3.1 Datenbasierte Modelle 23
3.1.1 Deterministische Modelle 23
3.1.2 Stochastische Modelle 24
3.1.2.1 Bayes'sche Netze 25
3.1.2.2 Hidden Markov Modelle 26
3.1.2.3 Conditional Random Field 29
3.1.2.4 Neuronale Netze 30
3.1.2.5 Support Vector Machines 32
3.1.3 Vergleich und Fazit 34
3.2 Wissensbasierte Modelle 40
3.2.1 Datenbanken 40
3.2.2 Ontologien 41
3.2.3 Wahrscheinlichkeitsbasierte Ontologien 44
3.2.4 Fazit 45
3.3 Anforderungen und Forschungsfragen 46
3.4 Forschungsnaher Stand der Technik 49
3.4.1 Unüberwachter Klassifizierungsalgorithmus 49
3.4.2 Unüberwachtes Lernen mittels einer Ontologie 50
3.4.3 Wahrscheinlichkeitsbasierte Ontologie 51
3.4.4 Fazit 53
4 Lösungskonzept 57
4.1 Sensordatenschnittstelle und Definitionen 60
4.2 Initialphase 62
4.3 Lernphase 63
4.3.1 Markov Modell und menschliche Angewohnheiten 63
4.3.1.1 Das Markov Modell 63
4.3.1.2 Erlernen des Markov Modells 64
4.3.1.3 Lernen menschlicher Angewohnheiten 69
4.3.1.4 Schlussfolgerung 73
4.3.2 Abbildung des menschlichen Erinnerungsvermögen 74
4.3.2.1 Menschliches Lernen und Vergessen 74
4.3.2.2 Impulsmodell 75
4.3.2.3 Bestimmung der ADL für MM-Strukturen 78
4.3.2.4 Erlernen der Relevanzfaktoren 79
4.3.2.5 Schlussfolgerung 85
4.4 Anwendungsphase 85
4.4.1 Impulsmodell in der Anwendungsphase 85
4.4.2 ADL Erkennung 86
4.4.3 Wahrscheinlichkeitsverteilung der ADL 88
4.4.4 Schlussfolgerung und Zusammenfassung 90
5 Bewertung der Lösung 91
5.1 Testszenarien und Datensets 91
5.2 Datensätze des Benchmarks 93
5.3 Evaluierung 95
5.4 Komplexität der Lösung 107
5.5 Einschätzung der Vor- und Nachteile 108
6 Zusammenfassung und Ausblick 115
6.1 Zusammenfassung 115
6.2 Ausblick und Weiterentwicklung 116
A Fallbeispiel 119
B Evaluierung 123
B.1 Ergebnisse des Benchmarks 123
B.2 Datenschnittstelle 126
B.3 Markov Modell 129
B.4 Strukturen und deren Signifikanz 135
B.5 Ergebnisse der Relevanzfaktorenberechnung 138
B.6 ADL-Wahrscheinlichkeitsverteilung der Lösung 138
Tabellenverzeichnis 141
Abbildungsverzeichnis 143
Literaturverzeichnis 14
A model of contingency detection to spot tutoring behavior and respond to ostensive cues in human-robot-interaction
Full text linkLohan KS. A model of contingency detection to spot tutoring behavior and respond to ostensive cues in human-robot-interaction. Bielefeld: Universitätsbibliothek; 2011
On the Illumination Influence for Object Learning on Robot Companions
Full text linkMost collaborative tasks require interaction with everyday objects (e.g., utensils while cooking). Thus, robots must perceive everyday objects in an effective and efficient way. This highlights the necessity of understanding environmental factors and their impact on visual perception, such as illumination changes throughout the day on robotic systems in the real world. In object recognition, two of these factors are changes due to illumination of the scene and differences in the sensors capturing it. In this paper, we will present data augmentations for object recognition that enhance a deep learning architecture. We will show how simple linear and non-linear illumination models and feature concatenation can be used to improve deep learning-based approaches. The aim of this work is to allow for more realistic Human-Robot Interaction scenarios with a small amount of training data in combination with incremental interactive object learning. This will benefit the interaction with the robot to maximize object learning for long-term and location-independent learning in unshaped environments. With our model-based analysis, we showed that changes in illumination affect recognition approaches that use Deep Convolutional Neural Network to encode features for object recognition. Using data augmentation, we were able to show that such a system can be modified toward a more robust recognition without retraining the network. Additionally, we have shown that using simple brightness change models can help to improve the recognition across all training set sizes
Enriching the Human-Robot Interaction Loop with Natural, Semantic, and Symbolic Gestures
No full textIn this chapter, we are discussing the appearance and need of gestures as feedback strategy for humanoid robots in interactions with humans. Gestures are a means of communication that is nonverbal, which either supports or replaces the verbal communication, and represent a rich source of communication short cuts. We are discussing the necessity of deliberation behind the use of gestures, as well as the different levels of granularity in them. We are proposing a new definition and categorization of gestures. This will lead us to a discussion on the need of further investigation of gestures as feedback strategies and how it supports the interaction loop in HRI. Finally, the chapter will categorize the state of the art in humanoid gesture capabilities and propose next challenges
The Effect of Speech Location on the Likability of a Robotic System
No full textIn this paper, we will present a Human RobotInteraction (HRI) pilot study, that investigates the question,which impact the location of speech production has on a simplegesture interpretation game with the iCub robot. Participantswhere asked to communicate about different objects on a tableby using a pointing gesture. As a feedback the robot wouldproduce sentences confirming the object selected by the human.Using the Godspeed questionnaire we found that the robot hasa higher likability, the animation is preferred and there aredifferences in the behaviour of the participants between thetwo speech conditions
Infants' gaze modulates maternal multimodal input: A study with 3-month-olds
No full textNomikou I, Lohan KS, Rohlfing K. Infants' gaze modulates maternal multimodal input: A study with 3-month-olds. Presented at the 18th Biennial International Conference on Infant Studies, Minneapolis, USA
- …
