基于语义特征距离度量的运动轨迹聚类
机器人学
2024-04-29 v1
摘要
运动轨迹聚类与人机交互高度相关，因为它可以预测人类运动、对其做出快速反应，并识别明确的姿态。此外，它还可以对记录的运动数据进行分析。许多轨迹聚类算法基于逐点欧氏距离的度量。然而，我们的工作表明，关注显著特征通常就足够了。我们提出了一种新的距离度量，用于由状态和控制轨迹组成的运动规划，该度量基于从其主要特征构建的压缩表示。这种方法允许针对特定任务灵活选择特征类别。我们将该距离度量用于凝聚层次聚类，并在由Manutec机械臂和Furuta摆的运动规划测试集以及来自真实人体运动数据集的数据上，与广泛使用的动态时间规整算法进行了比较。所提出的方法在聚类效果上略有优势，在运行时间上具有显著优势，尤其是对于长轨迹。
关键词
引用
@article{arxiv.2404.17269,
title = {Clustering of Motion Trajectories by a Distance Measure Based on Semantic Features},
author = {Christoph Zelch and Jan Peters and Oskar von Stryk},
journal= {arXiv preprint arXiv:2404.17269},
year = {2024}
}
备注
Published in: 2023 IEEE-RAS 22nd International Conference on Humanoid Robots (Humanoids). Code available at: https://github.com/cztuda/semantic-feature-clustering