基于层次概率模型的无监督工作行为模式提取
机器学习
2024-05-17 v1
摘要
不断演变的消费者需求和市场趋势导致企业日益采用灵活和定制化的生产方法。因此，工人必须从事比以往更复杂的任务。生产力取决于每个工人在装配产品时的技能水平。因此，分析工人行为对于工作改进至关重要。然而，手动分析耗时且无法提供快速而准确的反馈。机器学习方法已被用于自动化分析；然而，这些方法大多需要多个标签进行训练。为此，我们扩展了高斯过程隐藏半马尔可夫模型 (GP-HSMM)，以实现无需预训练的快速自动化工人行为分析。该模型不需要标记数据，能够自动且准确地将连续运动分割为运动类别。我们提出的模型是一种概率模型，通过层次方式将 GP-HSMM 与 HSMM 连接，从而实现不同粒度的行为模式提取。此外，它相互推断 GP-HSMM 和 HSMM 之间的参数，从而实现精确的运动模式提取。我们将所提方法应用于实际生产场所中工人装配产品的运动数据。通过归一化 Levenshtein 距离 (NLD) 评估行为模式提取的准确性。NLD 越小，表明模式提取越准确。我们方法中 GP-HSMM 和 HSMM 各层捕获的运动模式 NLD 分别为 0.50 和 0.33，均为各基线方法中最小。
关键词
引用
@article{arxiv.2405.09838,
title = {Unsupervised Work Behavior Pattern Extraction Based on Hierarchical Probabilistic Model},
author = {Issei Saito and Tomoaki Nakamura and Toshiyuki Hatta and Wataru Fujita and Shintaro Watanabe and Shotaro Miwa},
journal= {arXiv preprint arXiv:2405.09838},
year = {2024}
}