对LSTM,变压器和MLP混合器神经网络进行比较,用于基于目光的人类意图预测
Julius Pettersson1, Petter Falkman1
1Department of Electrical Engineering, Chalmers University of Technology, Gothenburg, Sweden.
Frontiers in neurorobotics
|June 12, 2023
概括
使用视线数据预测人类手臂的运动与神经网络,如变形机器人增强人机协作. 这项研究表明,准确的意图预测是可以实现的,提高了机器人在工业环境中的适应性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 人与计算机的交互
背景情况:
- 协作机器人 (cobots) 在工业中越来越多地用于灵活性和生产力.
- 人机交互和适应能力有限,阻碍了协作机器人的潜力.
- 预测人类运动意图是提高机器人适应能力的关键.
研究的目的:
- 调查变压器和MLP-Mixer神经网络的性能,以预测人类手臂运动的意图.
- 将这些网络与LSTM网络进行比较,使用虚拟现实环境中的目光数据.
- 评估预测准确性,时间和计算效率.
主要方法:
- 利用来自虚拟现实环境的目光数据来训练神经网络.
- 实现并比较了变压器,MLP-Mixer和LSTM网络架构.
- 基于预测准确性,移动完成前的时间和执行时间来评估网络性能.
主要成果:
- 几种网络配置实现了可比的准确度得分.
- 最好的变压器编码器在连续数据上的高确定性预测中达到82.74%的准确性.
- 在99%的情况下,在第一次尝试时正确预测了运动,在75%的案例中,在完成之前超过19%.
结论:
- 神经网络,特别是变形金刚,显示出基于目光的手臂运动意图预测的重大前景.
- 多个神经网络的方法可以有效地预测人类的意图.
- 这项研究是迈向更高效,更适应性的人机协作的一步.
