高效积极的传感与分类进一步探索家庭动态监测机器人

文摘

移动机器人是一个潜在的解决家庭行为监控为老年人。移动机器人在现实世界中,有几种类型的认知不确定性,如目标对象之间的歧义和周围的物体和遮挡的家具。问题可能是更严重的家庭动态监测系统,旨在准确地识别目标人的活动,尽管这些不确定性。它检测到违规行为和分类情况需要进一步探索,策略性地最大化活动识别所需的信息,同时最小化成本。两个活跃的传感方案,基于两个不规则性检测,即heuristic-based template-matching-based违规检测,实施和检查身体contour-based活动识别。他们的时间成本和活动识别的准确性进行评估通过实验控制场景和家庭生活场景。实验结果表明,该分类进一步探索引导机器人系统积极意义目标的人。因此,建议的方法,机器人系统取得了更高的活动识别的准确性。

1。介绍

增加人口年龄将是一个十分严重的问题在世界上1,2]。随着人口的单体生命老年(SLE)迅速增加,需求行为监测系统性红斑狼疮在家里正在上升。这是由于必须保证自己的安全,知道他们的节奏和质量ADL(日常生活活动),并制定有效的护理计划。

在文献中,有两种主要的方法报道老年人行为监控在家里:可穿戴系统和智能住宅(3]。可穿戴系统可能会导致用户不适导致不连续监控(4]。智能房屋通常需要大量的传感器,增加了运营成本和复杂性。更多的盲点和死角由于家具布局可能中断监控,这威胁到人的安全监控。最近的研究表明,机器人可以促进ADL的一部分的一个重要工具,锻炼和康复与老年人在家庭环境中通过互动(5- - - - - -8]。

我们的研究表明,移动机器人是一个潜在的解决家庭老年人行为监测(9- - - - - -11]。替代移动机器人的智能住宅减少了传感器的数量从而减少成本的实现和部署的复杂性。此外,重要的是,它提供了无缝的时空监控安全家庭日常生活如果机器人控制。据报道在9- - - - - -11),移动机器人能够跟踪目标主体和执行任务,如观察和分析环境和行为的识别和分析,利用位置信息和身体的轮廓特征提取问题。系统显示一个优秀的性能:98.6 - -99.4%作为一个整体正确的人类活动识别测试数据集。然而,测试数据集收集在静态场景中进行的活动顺序在一个地方反复在一段时间。

在一个真正的家庭环境,有各种类型的不确定性,如主题之间的歧义在监测和周围的物体,闭塞的家具、定位和运动控制的困难由于不均匀的地板,和频繁的部分家具布局交替变化。在这项研究中,我们关注主题之间的歧义在监测和周围的物体,它是一个主要障碍为家庭行为识别。主动传感是能够推断出自发的一个不确定的环境下的信息传感活动(12]。主要有两类。第一类是使用自有信号探测环境,如回声定位蝙蝠啾啾。另一个使用一个自动,比如搬到找到一个对象隐藏在阴影(12]。主动传感机制在这项研究的灵感来自于后者。有各种有源传感策略对于机器人的信息增益最大化和成本最小化的同时(13- - - - - -16]。在这项工作中,我们提出一个战略适合上述家庭监控的场景中,主动传感识别情况,进行分类的情况下进一步探索。它被命名为主动传感和分类的进一步探索。识别不同的情况在不确定的情况下,heuristic-based和template-matching-based不规则性检测是实现和比较。他们的时间成本和准确性在活动识别在不同的不确定的情况下进行评估。

本文组织如下。部分2简要描述了主动传感框架和提出的策略。部分3实验测试不同的违规检测细节提出的分类方法。节4给出了实验结果,讨论紧随其后。节中提到的结束语5。

2。方法

在本节中,我们提出的细节提出了有源传感与分类进一步探索为国内移动机器人行为的监控,包括框架和分类。分类,heuristic-based和template-matching-based方法检查和比较的时间成本和识别精度。

2.1。移动机器人动态监测

自主移动机器人动态监测执行主体活动跟踪和识别。如图1(一)、机器人的硬件组装基地P3-DX先锋。它包括一个激光测距仪(探测器)和Kinect传感器在旋转平台上。探测器提供的数据环境中的障碍,并用于确定机器人的位置,避免障碍。Kinect传感器是用来检测和跟踪。这个传感器是安装在一个旋转平台。在机器人,一个算法应用于集成Kinect和激光雷达(光探测和测距)传感器数据。使用环境中探测和跟踪新情况的机器人地图是一个自上而下的方法而不需要大量的训练数据。使用几何特性计算出人体从深度图像中提取的轮廓,该系统能够识别六个不同的活动:站立,行走,弯曲,坐着,躺着,,9- - - - - -11]。

2.2。一个框架的活跃传感回家监视移动机器人

主动传感是能够推断出自发的一个不确定的环境下的信息传感活动(12- - - - - -17]。有两种类型的活跃的感应,一个使用自有信号探测环境,如回声定位蝙蝠啾啾(16),和其他使用自动,如为了找到一个对象隐藏在阴影(12]。主动传感机制实现在移动机器人动态监测受第二类型。

在文献中,研究了有源传感作为了解生物传感机制的理论框架(15- - - - - -17]。为主动传感控制框架的人类视觉上下文相关的主动控制器(C-DAC)。C-DAC假定观察者旨在优化一个上下文敏感的目标函数,考虑行为成本如时间延迟,响应误差和成本从一个传感位置切换到另一个(17]。这个框架允许我们获得行为最优决策程序获得感官输入,当从一个观察的位置移动到另一个,以及如何谈判exploration-exploitation权衡收集更多数据和终止观察过程(17]。

实现移动机器人集中在有效的信息收集,或探索未知的领域12,13,团队高效的移动机器人的位置信息测量(14]。家庭行为的监控、移动机器人目标人的常规任务后,视觉跟踪和行为识别。尤其是前两个任务需要无功规划确保人的安全目标,不是阻碍目标的道路的人,虽然没有失去他/她的视野。因此,重要的是要确定需要进一步探索和确定的情况下是多么重要的处理情况。我们的分类和进一步勘探战略主动传感适合申请同时检测精度高和时间成本最小化。

家庭监控机器人,如果坐在靠近一个物体,主题之间有歧义有针对性的主题和周围的对象。在算法中,主体和客体是在同一深度(图1(一))的人体轮廓提取失败,部分对象包含在主题轮廓。因此,主动遥感处理这种情况下是必要的。为了实现情况分类和活跃的传感,三个连续的算法进行分类(1)通过检测不规则的特征提取,(2)进一步探索通过调整机器人传感参数相应的,和(3)避免过度参数调整基于短期记忆机制,行为成本(改变参数的时间)最小化。在拟议的方法中,第一步是识别这种情况发生的时候。摘要heuristic-based和template-matching-based主动传感方案都申请不均匀性检测。他们通过实验研究和比较。

2.3。积极与违规检测传感

在拟议的框架中,活跃的传感与分类的进一步探索,不规则性检测是一个关键步骤的分类情况,并进一步探索。不规则性检测(也称为异常检测),是确定不同情况下在一个不确定的情况下回家使用有源传感监测老年人进行。两种类型的不规则性检测是实现和比较。一个是heuristic-based违规检测,另一个是template-matching-based不规则性检测。heuristic-based主动传感(h)是一个专门为目标应用程序设计的方法。template-matching-based主动传感(TM-AS)是一个clustering-based不规则性检测是基于机器学习的方法之一。

2.3.1。Heuristic-Based主动传感(h)

h是专门设计用于检测的情况下监控是难以与周围的(例如,一堵墙或窗帘)为家庭监控、不规则的检测。

图1(一个)显示的场景时,机器人正面临向监控下的主题。机器人获得图像的主题。图像获得的数据块扫描5×5像素,目的是检测超过每行一个块的像素值为零。当图像每行一个或所有这些块,它被认为是一个合适的形象的身体轮廓提取和不需要机器人进行主动传感在这个位置。

人体轮廓区域用于活动识别是表示在一个二进制图像如图1(b),情况说明在二进制图像底部的线在图1(b),人体轮廓变得无法区分与墙的一部分位于左边的主题。在这个场景中,一个正确的特征提取是不可能识别和机器人不能活动。这被认为是一个不规则。在这个位置还需要进一步的探索。

一旦发现一个不规则的情况,一个简单的下一步是机器人移动到一个新的位置,在那里将会有一个场景的不同观点。在这项研究中,为了优化活动感应操作时间,而不是将机器人移动到不同的位置,旋转运动,旋转旋转平台(参考图1(一))实现的。旋转完成在两个方向,直到它可以识别常规情况下体内提取工艺(18]。

2.3.2。Template-Matching-Based主动传感(TM-AS)

最后本研究的技术目标是使机器人能够识别强劲的行为提到的(站立,行走,弯腰,坐着,躺着,和下降)。TM-AS。对于这些行为,当标准模式的所有的行为都可以收集和常规模式空间可以扩展,那么可以使用这个空间来检查一个任意模式是否它是规则还是不规则的。TM-AS clustering-based异常检测,应用机器学习。当然,可分别取决于收集的模式,模式的特点,可分别采用索引。这些因素是通过实验调查。这项研究将发表在下面的会话。注意,尽管该方法实现为一个特定的深度传感、提议的想法可以被应用到其他传感情态动词。

(1)模板准备。以来,困惑与环境不太可能发生的行为步行和跌倒,在这项研究中,模板将起初设置的其他四个行为(站着,坐着,躺着,和弯曲)更可能发生在对象(如墙、家具、窗帘)的生活环境。

每个行为标准深度图像记录如下:(1)深度图像收集1.3米的距离目标的人。(2)模板的数量为每个不同的行为设置为2站,坐3,3为弯曲,1为躺着。如果模式来自左派与右派完全不同,他们被视为不同的模板。图2显示了模板的模式。

(2)特征选择和相似索引。因为它是更容易提取等高线的深度图像,三个contour-related参数被认为是。他们体重的中心之间的距离轮廓点()和法向量的角度()所示(1),(2)和(3),分别。 在哪里 表示中心的坐标的重量,和 表示我轮廓点。 下标tl代表切线的轮廓点,和公司代表的法向量。积累的差异(广告)之间的一个模板图像和测试下表示为一个 在哪里和积累的不同距离的轮廓点的上部和下部的身体,分别。点,有一个与最高像素沿纵向方向的差异小于一个阈值被定义为上半身轮廓点和其他人是下半身的。积累的差异角度弧度的单位主要的法向量。

上半身特性, ,可以站着和坐着的类和其他类包括弯曲和躺下。较低的身体功能, ,可以告诉在四个活动的区别。另一方面,单位法向量的角度对本地更改可能是敏感。积累不同的距离和角度的单位法向量会受到阻塞,弄乱。在这项研究中,积累了不同距离或角度确定作为模板匹配的相似性指数,通过从模板得分计算模式。在未来,它们可以组合来处理不同的不确定性。

Davies-Bouldin (DB)指数是一个群集索引,这就是比同类距离和阶级之间的距离。一个小DB指数表明组内相似性和年级之间的差异。它是用来评估是否积累的差异的距离或角度是TM-AS更多的分类信息。一个更小的组内或组内的距离更大的结果在一个较小的索引值。即功能导致一个更小的数据库索引值应当更好的特性。

2.4。传感参数的修改

两个传感系统可以修改的参数。(1)观点:机器人的角相对位置对目标主题所示的实验装置如图3。在这项研究中,机器人旋转传感器改变其观点直到不规则消失了。(2)深度的范围:概率深度地图估计(12可以表达的(6)和(7)。是原始图像价值深度相机的坐标x和y。提取图像的值取决于概率计算(6),使用一个阈值 。这可以解释为机器人在注视距离观察目标 ,范围的深度 。

2.5。不规则性检测、传感参数修改和行为识别

图4显示流程图的不规则性检测、传感参数的探索、认识和行为。三个模块,即正常模式监控、深度变化范围,和变化的观点,通过三种不同类型的链接连接。红色路径意味着不规则或进一步探索发现,紫色的一个递归的显示条件,绿色的表示任务完成并返回。

在正常模式监测,当检测到大量的违规行为,改变深度范围的系统调用模块。如果模块发现一个好的勘探深度范围作为传感参数后,它会返回到正常模式监控。否则,系统变化改变观点模块。由于深度的变化范围不需要改变机器人的物理位置,其成本低于改变观点,需要身体改变机器人的姿态。采用深度优先的搜索策略。对于每一个观点,一个完整的深度探讨。模块的详细信息,请参阅附录。

3所示。实验

本节描述的实验比较和评估heuristic-based template-matching-based主动传感方案以及传统方法没有主动传感,控制场景和日常生活活动场景。TM-AS,相似性指数使用DB指数评估基于模板准备,如部分所示2.3。2项目(1)。

3.1。群集索引(DB指数)值评估 , ,和对于TM-AS

TM-AS,介绍部分2.3。2项目(1),这三个特性( , ,和)计算相似性指标模板匹配使用DB指数进行评估。选择最小的数据库索引的相似性指数。

3.2。实验1,控制场景

这个实验的目的是评估两个活跃的传感方案的性能当目标人坐在靠近一个物体与环境和深度的对象。在这个场景中,主题是坐在一个分区窗帘,类似的坐高的主题,如图1(a)。类似的情况可能是由于主题站着还是坐着靠在墙上,或弯曲的冰箱的门开了作为背景。机器人位于(手动)位置窗帘会干扰人体轮廓提取,如图3。注意,类似的情况会发生,即使不同的图像特征提取(例如,从彩色图像特征)是使用。坐在一个所需的主题是三个地方之间的距离为0.1米,如插入如图所示3。图5显示了对象观察到的目标的人,在不同的地区。

在这个场景中,我们评估了三种不同的配置,传统的系统(没有主动遥感),h, TM-AS。评价不仅包括数量的准确性还旋转,让机器人获得最合适的识别。

3.3。实验2,日常生活活动场景1

这个实验的目的是探讨主动传感性能在一个流动的家庭生活活动。与前面的实验相比,周围的干扰对象不一定发生的所有帧的所有活动。实验总持续时间一个小时是由两个主题传统系统(没有主动传感)和由三个主体在提出有源传感方案(由于分析实验1,只有实现h。详细的原因,请找到他们在部分4所示。2)。在这个实验中,机器人跟踪一个主题在家庭生活环境。因此,机器人停止的地方并不总是相同的。

我们建立了两个房间如图6。搬到遵循主题场景执行以下活动:最初的主题❶到达家里。机器人是在入口处等待,它开始跟踪这个话题。然后,主体走向厨房,洗手❷。他走到电视,把一个座位,一会儿❸看电视。在那之后,他站起来,从冰箱❹拿饮料。当他完成了他的饮料,他去了表和读报纸❺。之后,他搬到他的办公桌❻和读一本书。几分钟后,这个话题去了一个开放的区域,开始作为练习❼行走。当锻炼完了,他❽上床。

在实验过程中,机器人跟踪确定的主题和活动执行(站立、行走、坐着,弯曲,和躺下)实时并记录信息进行进一步分析。完整的实验是用摄像机记录。实验结束后,我们分析了日志文件和视频数据计算每个活动识别的准确性。

3.4。实验3,日常生活活动场景2

这个实验的目的是不同的与实验2。多令人困惑的情况下被包含在这个场景中,如图7。

主题从位置❶❷而机器人走向主体从其初始位置监视他的行为。这个话题在追溯的椅子上坐了第一个5分钟,如左边所示图的一部分7。这个追溯椅子是第一个混乱的源头。然后搬到❸主题,站在厨房里烹饪在接下来的五分钟。这个话题然后搬到❹坐着吃了另一个五分钟。在这种情况下,墙是混乱的源头。最后,话题转移到左边的床低❺角落,躺在床上最后5分钟。自主体要求翻在床上,他非常接近墙在某些情况下。这是第三来源的混淆。h和TM-AS并与许可情况下实现的。三个科目参加了实验。

4所示。结果

4.1。不同的群集索引功能( , ,和)

数据库索引值的三个特征, , ,和 ,计算基于(1),(2)和(3),如表所示1。如上所述的分段2.3。2较小的DB索引值意味着更好的聚类,也就是说,一个较小的同类距离和更大的组内的距离。如表所示1积累的不同单位法向量角最小值。因此,用于进一步的分析。此外,和更大,无论它是上半身或下半身。这是观察到,< ,这表明下半身的轮廓图像的相似性测量提供更有用的信息的不同的活动。

表2显示了每个模板图像的图2。一般来说,广告的图片显示了一个更小的值相同的类,例如,站(侧)和站(前面),而从不同类型的图像,例如,站和坐大。

根据这一分析,在实验1中,2和3,是用作不规则指数检测。

4.2。实验1,控制场景

总结了实验1的结果表3和4。表3汇总活动识别精度为坐姿三个方面。如表所示3,对于不同的主题和窗帘之间的距离,活动识别的准确性显著不同区域②和③当主题接近窗帘。如图所示,没有作为,它显示了区域①但准确检测低精度区域②和③。TM-AS显示活动识别精度最高的在所有三个领域而h达到类似活动识别的准确性方面①和②③但不能获得精度高。

图8显示传感参数的变化(角度和深度范围)和活动认可(正确答案:坐或错误的答案:其他人)。图8h (a)显示了结果,只有改变了观点而降低TM-AS图表显示那些在深度范围和角度都发生了变化。如图8(a),主题从区域①②接近窗帘,机器人misrecognized活动。发现启发式,不规则和机器人改变了观点,获得正确的识别。但对于区域③,h不及格不规则检测由于启发式的限制;因此,没有变化的观点是一个正确的活动进行识别。

TM-AS是一个更一般的不规则性检测功能。在实验中,它探索两个传感参数:两个角度和深度范围内。这是因为,如果没有探索两个传感参数,是不可能处理区域③模棱两可的情况。每当从区域①②,或从区域②③,不规则可以发现,探索了。这个话题从①②后,只需要改变深度范围,然后正确的活动是公认的。然而,当这个主题从②③,机器人必须探索的角度和深度范围内找到合适的传感参数识别的活动。检测过程进一步使用深度图像,如图所示9。在图9,几个选择试验的观察到的图像与TM-AS主题所示。混乱与周围物体减少并最终消失,多个传感参数进行了探讨。

表4显示了时间的主动传感方案成本区域②和③三个试验。尽管根据小区别初始位置,方向,和深度图像的噪声在一些框架,探索与不同的试验过程是不同的。一般来说,TM-AS的时间成本是高于区域②中h。在这里,时间成本计算通过计算时间从第一个发现不规则去年传感参数的变化。在区域③TM-AS,时间成本高于区域②。

由于时间效率是非常重要的对于实时应用程序,和在现实日常生活环境,情况类似于区域③不会频繁发生;因此在实验2中,h进一步检查。

4.3。实验2,日常生活活动场景1

表5许可实验显示了结果的一个主题。走在斜体意味着从一个站点到另一个站点。⑦的步行锻炼,因为主题是要求不断前进,站起来,向后移动,慢慢,站,两种行为:站(⑦1)和步行(⑦2),在大胆,应当承认。这里,我们省略了过渡状态,短期行为检测到两个主要的行为,例如,坐在③和行走之间③④,弯曲和地位过渡状态被发现在10帧。

比较之间的识别精度系统h和常规系统(没有主动传感)如图10。这里,走的所有记录帧和真正的帧之间移动网站(斜体表5)总结。和显示的精度值的平均值的两个主题。如图表所示,识别精度的所有活动除了走路是提高遥感应用活跃。

总的来说,提高了准确性,h (h和w / o 67.81% 84.29%)。坐着看电视的准确性❸提高99.50%,从68.42%的常规系统。这个显著改善的结果在实验机器人的角度变化。除了坐和行走活动,提高识别精度确认,,然而,对那些活动,不规则很少被发现。这是因为,坐和站的连接为例,进行的活动顺序,好观察的观点也可以坐好接下来的后续活动,比如站。

在图10的识别精度,还观察到在❼步行锻炼和散步是很低。事实上,大多数的帧被misrecognized站走,可能结果步行速度低的问题。活动识别算法,实验对象的移动速度(也考虑11]。基本上,在这个实验中,走得很慢,因为他是指示模拟老年人的行走。这就是为什么作品点出发生频繁。这可以进一步提高通过调整行为识别算法。

的精度值在不同的情况下,移动的行走,2者的样本,一个配对(w / o和h)t以及执行。的值是0.0222,这意味着这两种方法之间存在显著差异。

4.4。实验3,日常生活活动场景2

表6显示了一个比较每个仿真的精度之间的w / o, h, TM-AS。②如表所示,在情况,由TM-AS精度达到88.2%。比较用56.7%为w / o h和67.2%,这表明TM-AS有效改善情况的准确性。追溯椅子(如右所示图的一部分7)是一个不同的挑战与墙和窗帘,作为测试实验2。根据观察角度,深色调的上半身完全,没有显示two-peak特性,这是一个决定性因素的启发式h。这就是为什么h的准确性比w / o更糟糕。

另一方面,在形势④,这也是一个坐在有关情况,TM-AS更高的准确性比w / o。然而,它是低于h,详细分析后在本节。坐在情况②和④进行了分析。表6显示的准确性情况从所有三个主题,主题1 (S1)、主题2 (S2), 3 (S3)。执行t以及对的方法,见下表的一部分7之间有显著差异,TM-AS和w / o w / o之间并无显著差异,h, h和TM-AS之间。

这一事实的准确性TM-AS低于h的情况下坐在桌子上7可以解释如下。图11(b)显示了认识的插图和照片的情况④。在这里,观察角度的定义是θ在图11(a)θ= 75°,如图11(b),调整后的传感范围、主体的轮廓可以被收购,与其中一个坐在模板准备。成功地获得了认可当机器人观察主题在一个角度75°。然而,并不是所有的角会导致一个成功的认可。图11(c)显示时的情况θ= 45°。虽然通过调整感应范围,坐在主题可以获得清晰的轮廓,而且可能不匹配的任何三个坐在模板(前面,左,和正确的,如图2)。因此,主动感知无法阻止成功限期。它是合理的假设一个额外的模板坐在约45°将有助于解决这个问题。

为了验证上述假设,45°坐在模板,如图11(d)补充道,和一个额外的支持④实验情况,与一个主题坐在这个网站,和机器人开始从三个观测角度,30°、45°,和60°,完成。结果列在下表中8。如表所示,准确性θ= 45°提高④坐的情况。当然,这种t作为提高了一个新的问题,即对于每一个行为,应该准备多少模板识别具有良好的准确性,在不久的将来追究。

另一个需要进一步调查的结果是令人不满意的精度TM-AS h(46.2%和33.7%)⑤情况,如表所示6之前。仔细检查后的结果,很明显,在大多数失败的情况下,主题是躺在床上,靠在墙上,如图解如图所示12(一个)。特别是,当机器人之间的角度和主题θ是大约45°,这是更为重要。注意,实验3的单间设置下,家具之间的距离很小,和一个45°观察角更可能发生超过90°。一个例子的二进制图像从深度图像中提取的情况下,如图12(b),在墙的一部分(垂直部分)和人体躺(水平)合并。这个二进制映像的上半部分类似于站模板(如图12(d))。因此,躺在床上的作品点出站发生。图13显示的认识活动的时间进程情况⑤的原始TM-AS(蓝线)。坐在行为是misrecognized站在原始TM-AS。

这个问题可以通过引入第二个中央时刻(19),利用二进制映像的主要轴线的方向如图12(c),主轴的方向(椭圆的长轴封闭的二进制映像)能区分纯都站着躺着困惑从墙上。作为一个例子,在图12(d),纯站的主要轴线的方向图像−89°。

为了验证这个想法,额外支持的实验是由一个主题在⑤。的情况下观察45°、90°角进行了测试。表9显示了结果。认识活动的时间进程改进TM-AS橙色线如图所示13。尤其是观察角45°时的精度大大提高,从0%到64.75%,但仍有改进的空间。这在下一节将进一步讨论。

5。讨论

在这篇文章中,一个活跃的遥感方法监测机器人提出了一个家,一个分类介绍了进一步探索改善活动识别的准确性和更少的时间成本。这是针对不确定的情况下监视下一个主题是无法区分与周围的对象在实际环境中。

主动感知的性能很大程度上取决于不规则的检测。h是一个专门为目标应用程序设计的方法。它是基于启发式检测局部不规则的特征模式,这取决于被认可的活动。因此,它只能将所有情况分成两类:规则和不规则的。通过实验,发现h能处理模糊的情况在一定程度上;然而,当主体坐在非常接近一个对象具有类似坐高为主题,它未能发现不规则。此外,当地的不规则特征模式只能覆盖一个特定类型的不确定的情况下,因此忽略所有情况改变传感参数是必需的。尽管如此,h导致的准确性的改善活动在日常生活活动场景中识别那些经常发生的活动。

另一方面,TM-AS意识到更一般的不规则性检测,依赖性活动模板代表正常情况下准备比较与当前的情况。无与伦比的情况判断作为进一步感应不规则。尽管TM-AS只检测坐在两个控制场景的活动在这项研究中,在一般情况下,它可以检测不规则的情况下对确定依赖性活动正常。一般来说,template-matching-based不规则性检测的最近邻分类器排除了数据点至异常(不规则)。它是一个规范的异常检测方法。其他异常检测方法,如简单的统计方法和基于机器学习的方法,包括监督学习(例如,支持向量机)和无监督学习(例如,不同的聚类方法),可以应用于拟议的框架。这些可以进一步实现并与当前在我们未来的工作方法。

在这项研究中,识别的准确性的主要行为的老人呆在家里检查机器人。他们站、散步、弯曲,坐着,躺着,下降。的检测行为和两个行为之间的变化,如从走到坐着,回家监视行为研究是至关重要的。这个家的步行速度监控场景将1公里/ hr-3公里/小时。由于低速度和速度的微小变化,研究没有进一步详细的为不同行走速度行走。此外,由于低速,很难区分开来。特别是在实验2中,在形势⑦,步行锻炼需要反复,慢慢向前或向后移动,使分化更加困难。此外,在这项研究中,活动期间认可行为变化并不算,因为行为变化的持续时间要短得多的行为在日常生活中,和实时干预的范围。在未来,如果行为改变需要准确的监测,为目的的,例如,支持实时行为,然后在行为变化速度精度的影响调查。在这种情况下,系统的采样率和计算效率应该改进来满足实时的要求。

实验3的目的是探索提出的算法的局限性。根据结果,显然表明,有各种各样的混乱情况引起的墙或不同类型的家具不同的行为。这些情况需要由不规则传感检测和进一步应对有效活跃。实验,我们已经成功地显示应用的可能性TM-AS处理造成的混乱形势④⑤在实验3。需要更多的系统性的调查来验证改进的有效性TM-AS方式完成。特别是,以下三个问题应当立即进一步调查。

第一个问题是,检测的准确性很大程度上可以影响数量的模板。需要增加更多的模板检测的准确性。这是显示的结果和进一步调查情况④实验3。此外,当行为检测数量的增加,需要更多的模板。因此,生成的模板匹配需要仔细表达一套完整的正常情况。聚类方法(20.)可能是有用的生成模板以一种无监督的方式。

第二个问题是,环境变得更加复杂,距离(相似性)指数可能不足以区分正常和不规则的情况。这是显示的结果和进一步调查情况⑤在实验3中,一个行为,一个不规则的情况(例如,躺下)被认为是另一个行为的正常情况下(例如,站)。因此,多个相似索引需要适用于避免假阳性判断。此外,对于一些关键依赖所在混乱的情况下,最初的识别可以作为主动传感证实的假说。每个识别结果可以附加与位置无关的,甚至它把behavior-dependent“信念”值,当“信念”值很低,然后一个活跃的遥感方法可以启动确认第一个猜。

第三个问题是,传感参数的勘探的效率得到改善。违规后TM-AS,识别是基于一个临时活动,进一步鼓励探索的方法探索所有的活动的模板传感参数,降低其时间效率。因此,对于TM-AS,其时间效率需要进一步提高。这可以通过引入一种基于内存的方法探索的传感参数。如果机器人可以识别它的情况下,采用的工作探索策略,以增量方式和改善策略,更实际可以实现有源传感。

在这项工作中,我们旨在实现积极的健壮的感知和行为监测的传感机制。在不久的将来,我们将日本家庭生活环境为几个类型进行分类,做一组实验中,有更多的话题,来评估我们的全面监测移动机器人系统。

6。结论

前面提出的这项工作是一个进步的工作基于移动机器人的使用监控老年人独自在家。地址不确定情况下的问题,监控下的主题是很难与背景区分开来。提出了一种新方法,积极应用遥感分类的情况之前,进一步探索对检测精度提高和成本最小化。分类的情况下,两个方案,h和TM-AS用于不规则性检测。实验设计的比较和研究活动的表演传感方案的检测精度为目标应用程序和时间成本。该方法可以检测对象和周围变化的模棱两可的传感参数机器人来消除歧义。实验结果表明,显著改善了系统的精度控制的场景和两个家庭生活场景已经实现,用合理的时间成本。

建议的方法,仍然识别问题,进行了分析,并详细讨论了。TM-AS在我们未来的工作,是提高准备模板,杂化相似索引和优化传感参数勘探策略。此外,其他常见的不确定的情况下,如阻塞的家具、定位和运动控制的困难由于不平坦的地形,和频繁的部分家具布局引申,将解决。

附录

考虑伪代码1,2,3为探索传感参数与不规则检测基于模板匹配。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由jsp支持科学研究补助金(B) 17 h02129。

引用

1. 的美国老年人:20142015年7月,http://www.aoa.acl.gov/Aging_Statistics/Profile/index.aspx。
2. 欧洲委员会,老化的报告:基本假设和投影方法、欧洲委员会、比利时,2015年。
3. s . c . Mukhopadhyay,“可穿戴传感器对人类活动监控:复习一下,”IEEE传感器杂志,15卷,不。3、1321 - 1330年,2015页。视图:出版商的网站|谷歌学术搜索
4. l . Snidaro和g . l . Foresti”视频监控的多幅相机传感器评估方法,”IEEE 2005年国际会议上图像处理,卷1,p, i - 1101,意大利,2005年。视图:谷歌学术搜索
5. j . Fasola和m·j·马塔里奇”,使用社会辅助人机交互激励体育锻炼对老年人来说,“IEEE学报》,卷100,不。8,2512 - 2526年,2012页。视图:出版商的网站|谷歌学术搜索
6. a . j . Huete j·g·维克多,马丁内斯,a, c,官员,“个人自治康复便携式辅助机器人在家庭环境中,“IEEE系统,人,控制论,一部分C(应用程序和评论),42卷,不。4、561 - 570年,2012页。视图:出版商的网站|谷歌学术搜索
7. s . Bedaf g . j . Gelderblom, l·德威特”机器人概述和分类支持老年人的独立生活:他们支持什么活动和多远他们开发了,”辅助技术,27卷,不。2、88 - 100年,2015页。视图:出版商的网站|谷歌学术搜索
8. n . Myagmarbayar y徐怀钰,n . Imamoglu j·冈萨雷斯,m . Otake w . Yu,“基于人体轮廓数据识别活动,”IEEE 2013年第35届国际会议在医学和生物工程协会(EMBC)卷,2013年,页5634 - 5637,日本,2013年1月。视图:出版商的网站|谷歌学术搜索
9. n . Imamoglu e . Dorronzoro m . k .北城,关根身上,和w . Yu”自上而下的视觉搜索空间的关注:新奇detection-tracking使用空间记忆与移动机器人,”图像和视频处理的进步,卷2,不。5,2014。视图:出版商的网站|谷歌学术搜索
10. m . Nergui y吉田,n . Imamoglu j·冈萨雷斯,m . Otake w . Yu,“人类活动识别使用身体轮廓参数提取深度图像,”医学成像和卫生信息学杂志》上,3卷,不。3、455 - 461年,2013页。视图:出版商的网站|谷歌学术搜索
11. n . Imamoglu e . Dorronzoro z魏et al .,“开发健壮的行为识别的家庭生物监测机器人援助的主题定位和增强视觉跟踪,”科学世界日报280207卷,2014篇文章ID, 22页,2014年。视图:出版商的网站|谷歌学术搜索
12. m . r . Wang维罗索,s .珊”活跃的传感数据采集与自主移动机器人,”2016年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,2016年瑞典。视图:出版商的网站|谷歌学术搜索
13. l . Mihaylova t . Lefebvre h . Bruyninckx k . Gadeyne和j·德舒特,“主动感知机器人——一项调查,”第五届国际会议上数值方法和应用、保加利亚。视图:谷歌学术搜索
14. z柯,活跃的传感应用到移动机器人博士论文明尼苏达大学,明尼阿波利斯,美国,2012年。
15. 美国学术界。杨、d·m·沃伯特和m·阿帕德”在主动传感理论的观点,“当前行为科学的观点11卷,第108 - 100页,2016年。视图:出版商的网站|谷歌学术搜索
16. c·f·莫斯和a . Surlykke“听觉场景分析通过在蝙蝠回声定位,”《美国声学学会杂志》上,卷110,不。4、2207 - 2226年,2001页。视图:出版商的网站|谷歌学术搜索
17. s·艾哈迈德·h·黄和a . j . Yu”敏感的贝叶斯人类主动传感、控制策略”人类神经科学前沿,8卷,p。955年,2014年。视图:出版商的网站|谷歌学术搜索
18. k . Nakahata e . Dorronzoro n . Imamoglu m . k .北城,关根身上,和w . Yu”活动为人类活动识别传感bio-monitoring机器人在一个家的生活环境,智能自治系统14日”第14届国际会议IAS-14学报》上w·陈,k . Hosoda e .我m .清水和h . Wang, Eds。,pp. 315–326, Springer International Publishing AG, July 3–7, 2016.视图:谷歌学术搜索
19. m·k·胡“视觉模式识别的不变矩,”愤怒的交易信息理论,8卷,第187 - 179页,1962年。视图:出版商的网站|谷歌学术搜索
20. m . Christonpher主教,模式识别和机器学习,施普林格科学+商业媒体、有限责任公司、纽约,纽约,美国,2006年。

版权

版权©2017余Wenwei et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。