面向可部署的假手抓握类型概率估计器
机器学习
2021-01-15 v1 硬件体系结构
摘要
对于前臂截肢者，假手有望恢复大部分物理交互能力。这需要准确预测能够抓取不同物体的手势，并按用户意图及时执行。当前方法常依赖生理信号输入，如来自残肢肌肉的肌电图（EMG）信号来推断预期运动。然而，有限的信号质量、用户差异性和高变异性 adversely 影响系统鲁棒性。我们的工作不 solely 依赖 EMG 信号，而是通过机器学习和计算机视觉方法，以物理状态概率增强 EMG 意图推断。为此，我们：（1）研究最先进的深度神经网络架构，为假手选择高性能的知识迁移来源；（2）使用一个包含物体图像和抓握类型概率分布的数据集作为新型标注形式，其中不使用传统分类标签的 0 和 1 绝对值，而是使用一组和为 1 的概率作为标签。所提方法生成概率预测，可通过假手掌部相机的视觉信息，与 EMG 对抓握的概率预测相融合。我们的结果表明，InceptionV3 以 0.95 角相似度达到最高准确率，其次是 1.4 MobileNetV2 以 0.93 在约 20% 计算量下。
引用
@article{arxiv.2101.05357,
title = {Towards Creating a Deployable Grasp Type Probability Estimator for a Prosthetic Hand},
author = {Mehrshad Zandigohar and Mo Han and Deniz Erdogmus and Gunar Schirner},
journal= {arXiv preprint arXiv:2101.05357},
year = {2021}
}