基于混合定向图神经网络和长短期记忆网络的 anticipatory 跌倒检测
计算机视觉与模式识别
2025-09-09 v1 机器人学
摘要
检测和预防人类跌倒是助理机器人系统的关键组成部分。尽管已对跌倒检测取得了显著进展，但对跌倒发生前的预测以及在稳定性与 impending 跌倒之间的瞬态状态的分析仍未被探索。本文提出了一种anticipatory跌倒检测方法，利用将动态图神经网络（DGNN）与长短期记忆网络（LSTM）组合的混合模型，使运动预测和步态分类任务解耦，以实现高精度跌倒预测。该方法使用从视频序列中提取的实时骨骼特征作为输入。DGNN 充当分类器，区分三种步态状态：稳定、瞬态和跌倒。基于 LSTM 的网络随后预测后续时间步的人体运动，从而实现早期跌倒检测。该模型使用 OUMVLP-Pose 和 URFD 数据集进行训练和验证，结果在预测误差和识别准确率方面优于仅使用 DGNN 或文献中模型。结果表明，解耦预测和分类的做法在性能上优于仅使用 DGNN 解决统一问题。此外，本方法允许监控瞬态状态，为增强高级帮助系统的功能提供了宝贵见解。
引用
@article{arxiv.2509.05337,
title = {Anticipatory Fall Detection in Humans with Hybrid Directed Graph Neural Networks and Long Short-Term Memory},
author = {Younggeol Cho and Gokhan Solak and Olivia Nocentini and Marta Lorenzini and Andrea Fortuna and Arash Ajoudani},
journal= {arXiv preprint arXiv:2509.05337},
year = {2025}
}
备注
Presented at IEEE RO-MAN 2025