用于实时机器人感知人类行为的特征与身体部位同步学习
计算机视觉与模式识别
2017-02-27 v1 机器人学
摘要
机器人对人类行为的感知是机器人学中一个重要的研究问题，具有许多重要的现实应用，包括人机协作与团队协同。在过去几年中，深度传感器已成为智能机器人广泛用于 3D 感知的标准设备，它还能提供 3D 空间中的人体骨骼数据。已有几种基于骨骼数据的方法被设计用于实现机器人对人类行为的感知，并取得了令人满意的准确率。然而，以往的方法将所有身体部位和特征同等对待，不具备识别具有区分性的身体部位和特征的能力。在本文中，我们提出了一种新颖的特征与身体部位同步学习（FABL）方法，该方法能够同时识别具有区分性的身体部位和特征，并高效整合所有可用信息，以实现实时机器人对人类行为的感知。我们将 FABL 形式化为一个带有结构化稀疏诱导范数的类回归优化问题，以建模身体部位与特征之间的相互关系。我们还开发了一种优化算法来求解该形式化问题，该算法在理论上保证能找到最优解。为了评估 FABL，我们使用公开的基准数据集（包括 MSR Action3D 和 CAD-60 数据集）以及在实际辅助生活应用中的 Baxter 机器人进行了三项实验。实验结果表明，我们的 FABL 方法获得了较高的识别准确率，处理速度达到 10e4 Hz 数量级，这使得 FABL 成为在实际机器人应用中实现实时机器人感知人类行为的一种极具前景的方法。
引用
@article{arxiv.1702.07474,
title = {Simultaneous Feature and Body-Part Learning for Real-Time Robot Awareness of Human Behaviors},
author = {Fei Han and Xue Yang and Christopher Reardon and Yu Zhang and Hao Zhang},
journal= {arXiv preprint arXiv:1702.07474},
year = {2017}
}
备注
8 pages, 6 figures, accepted by ICRA'17