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 soll dazu ein Lösungsansatz mit Hilfe von Neuronalen Netzen
erstellt werden. Aufgrund der zeitkorrelierten Daten bieten sich rückgekoppelte
Netze, wie z.B. Long Short Term Memory (LSTM) Netze an. Des Weiteren
soll untersucht werden, ob auch mit einer kleinen Trainingsdatenmenge eine gute
Klassifikation erreicht werden kann. Um die so erarbeitete Methode einordnen zu
können, soll abschließend ein Vergleich mit dem State-of-the-Art im Bereich der
Gestenerkennung durchgeführt werden.
Im Zwischenvortrag wird der aktuelle Stand der Arbeit präsentiert. Eine Evaluation
anhand von Testdaten und eine erste Datenakquise wurden bereits vorgenommen.