Vortragsdetails

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 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.

 

In der Regel sind die Vorträge Teil von Lehrveranstaltungsreihen der Universität Bremen und nicht frei zugänglich. Bei Interesse wird um Rücksprache mit dem Sekretariat unter sek-ric(at)dfki.de gebeten.

© DFKI GmbH
zuletzt geändert am 31.03.2023