LSTM集成与特征选择用于人类动作预测
机器人学
2021-01-15 v1
摘要
随着机器人在人类环境中变得越来越普遍，机器人系统有必要更好地理解和预测人类动作。然而，这并非易事，有时甚至对我们人类来说也不容易，但基于一组相对结构化的可能动作、适当的线索和正确的模型，该问题可以从计算上加以解决。在本文中，我们提出使用长短期记忆(LSTM)网络的集成来进行人类动作预测。为了训练和评估模型，我们使用了MoGaze数据集——目前捕获人体关节姿态和人类注视的最全面的数据集。我们深入分析了MoGaze数据集，并为该任务选取了一组精简的线索。我们的模型可以预测(i)人类将要抓取的标注物体中的哪一个，以及(ii)人类将要访问的宏观位置中的哪一个（如桌子或架子）。我们详尽地评估了所提方法，并将其与单线索基线进行了比较。结果表明，我们的LSTM模型在单物体抓取精度上略优于注视基线，但在宏观物体预测上取得了更好的精度。此外，我们还分析了不使用注视时的预测精度，在这种情况下，LSTM模型大幅优于最佳单线索基线。
引用
@article{arxiv.2101.05645,
title = {Ensemble of LSTMs and feature selection for human action prediction},
author = {Tomislav Petković and Luka Petrović and Ivan Marković and Ivan Petrović},
journal= {arXiv preprint arXiv:2101.05645},
year = {2021}
}