Neuronale Netze zum Erkennen von Gesten auf Motion Tracking Daten

Um eine reibungslose Zusammenarbeit zwischen Mensch und Roboter zu gewährleisten, bedarf es intuitiver Steuerungsmethoden wie der Gestensteuerung.
Dazu werden die Bewegungen eines Benutzers mit Hilfe eines geeigneten Verfahrens erkannt und anschließend vom Computer klassifiziert.

Eine Möglichkeit der Bewegungserfassung ist das inertialbasierte Motion Tracking.
Bei dieser Methode werden Inertialsensoren an verschiedenen Stellen des Körpers angebracht, die ihre eigenen Bewegungen und so auch die Bewegungen der verbundenen Körperteile, aufzeichnen. Jeder dieser Sensoren misst hochfrequent die Beschleunigung in 6 Dimensionen. Die Klassifikation dieser Daten ist ein komplexes Problem, welches mit Machine Learning gelöst werden kann.

In dieser Arbeit wird dazu ein Lösungsansatz mit Hilfe von Neuronalen Netzen erstellt. Aufgrund der zeitkorrelierten Daten bieten sich rückgekoppelte Netze, wie z.B. Long Short Term Memory Netze an.
Es wird untersucht welche Merkmale für eine gute Klassifikation benötigt werden und wie die Daten geeignet vorverarbeitet werden können.
Um die so erarbeitete Methode einordnen zu können, wird abschließend ein Vergleich mit Hidden Markov Modellen, einer im Stand der Technik häufig verwendeten Methode, durchgeführt.