基于元胞自动机的人体步态状态预测及使用 ELM 的分类
机器人学
2021-05-11 v1 人工智能
摘要
在本研究文章中，我们报道了用于不同步态状态预测的周期性元胞自动机规则，以及使用极限机器学习（ELM）对步态数据进行分类。本研究首次尝试使用元胞自动机来理解双足行走的复杂性。由于非线性、整个步态周期中变化的构型，以及位于单侧足—地接触处的被动关节，导致人体步态的动态描述和控制律在相位间变化，使得双足行走状态难以预测。我们设计了基于前两个邻态预测双足步下一步态状态的元胞自动机规则。我们设计了用于正常行走的元胞自动机规则。状态预测将有助于正确设计双足行走。正常行走依赖于接下来两个状态且共有 8 个状态。我们考虑当前和先前状态来预测下一状态。因此我们采用元胞自动机制定了 16 条规则，每条腿 8 条。优先级顺序依据以下事实维持：若右腿处于摆动相，则左腿处于站立相。为验证模型，我们使用 ELM [1] 对步态数据进行分类并达到 60% 准确率。我们探究了轨迹并与其他步态轨迹进行比较。最后我们给出了不同关节的误差分析。
引用
@article{arxiv.2105.03799,
title = {Human Gait State Prediction Using Cellular Automata and Classification Using ELM},
author = {Vijay Bhaskar Semwal and Neha Gaud and G. C. Nandi},
journal= {arXiv preprint arXiv:2105.03799},
year = {2021}
}
备注
Machine Intelligence and Signal Analysis conference. Published in book Advances in Intelligent Systems and Computing, vol 748. Springer, Singapore. arXiv admin note: substantial text overlap with arXiv:1710.06548