通过2D光检测和距离测量捕获的腰部水平轮,在一个房间中单个人的识别和活动估计

科学领域:

• 机器人和人机交互的人机交互
• 人工智能和机器学习
• 传感器技术和数据分析数据分析

背景情况:

• 社会辅助机器人需要传感器,以便在家中对老年人进行非侵入性监控.
• 2D光检测和测距 (2D-LIDAR) 提供了强大的人类轮测量,但在识别和活动识别方面面临挑战.
• 保护隐私的人类识别和活动估计对于有效的家庭监控系统至关重要.

研究的目的:

• 开发和评估使用2D-LIDAR轮数据进行人身识别和活动估计的深度学习方法.
• 评估长期短期记忆 (LSTM) 和VGG16模型对这些任务的性能.
• 确定使用部高度2D-LIDAR用于监测老年人活动的可行性.

主要方法:

• 人类轮从2D-LIDAR数据中提取,使用基于密度的空间聚类.
• 深度学习模型 (LSTM和VGG16) 用于在10秒间隔内估计个人的身份和活动.
• 实验包括从四名参与者那里收集行走,打开门,坐着和站着的数据.

主要成果:

• VGG16模型在人身份识别方面取得了89.7%的准确性,超过了LSTM模型 (65.3%).
• 两种模型的活动估计准确度都很高,VGG16达到97.9%,LSTM达到94.2%.
• 基于VGG16的方法在识别2D-LIDAR数据中的个人和准确估计活动方面表现出显著的能力.

结论:

• 深度学习,特别是VGG16模型,有效地利用2D-LIDAR轮数据进行非侵入性人身识别和活动估计.
• 部高度2D-LIDAR,尽管步行特征有限,但提供了足够的数据,用于在家庭环境中进行准确的监测.
• 这种方法有望提高老年护理中社会辅助机器人的能力.