Las expectativas para los robots de atención están creciendo en el contexto de la disminución de las tasas de natalidad, el envejecimiento de la población y la falta de personal de atención. Como ejemplo, para la atención en hogares de ancianos y otras instalaciones similares, se anticipa que los robots verificarán la condición delos residentes mientras patrullan las instalaciones. Al evaluar la condición de una persona, mientras que una estimación inicial de la postura de pie, sentado, caído, etc. es útil, la mayoría de los métodos hasta la fecha han utilizado imágenes. Estos métodos enfrentan desafíos como problemas de privacidad,y las dificultades relacionadas con la aplicación en espacios oscuros iluminados. Como tal, el grupo de investigación Kaichiro Nishi, un graduado del programa de maestría de 2016 y el Profesor Miura ha desarrollado un método de reconocimiento de posturas utilizando solo datos de profundidad.
Para posturas como las posiciones erguidas y las posiciones sentadas, donde las partes del cuerpo pueden reconocerse con relativa facilidad, existen métodos e instrumentos que pueden estimar posturas con alta precisión. Sin embargo, en el caso del cuidado, es necesario reconocer variosposturas, como una posición reclinada el estado de acostarse y una posición agachada, lo que ha planteado un desafío hasta ahora. Junto con el progreso reciente del aprendizaje profundo una técnica que utiliza una red neuronal de varias etapas, el desarrollo de unEl método para estimar poses complejas usando imágenes está avanzando. Aunque el aprendizaje profundo requiere la preparación de una gran cantidad de datos de entrenamiento, en el caso de los datos de imágenes, es relativamente fácil para una persona ver cada parte de una imagen e identificarla, con algunoslos conjuntos de datos también se han abierto al público. Sin embargo, en el caso de los datos de profundidad, es difícil ver los límites de las partes, lo que dificulta la generación de datos de capacitación.
Como tal, esta investigación ha establecido un método para generar una gran cantidad de datos de entrenamiento combinando la tecnología de gráficos por computadora CG y la tecnología de captura de movimiento. Este método primero crea datos de CG de varias formas corporales. Luego, se agrega a los datosinformación de cada parte 11 partes que incluyen una parte de la cabeza, una parte del torso y una parte superior del brazo derecho, e información del esqueleto que incluye cada posición de la articulación. Esto hace posible que los modelos CG tomen posturas arbitrarias simplemente dando ángulos de la articulación usandoun sistema de captura de movimiento.
Al utilizar este método desarrollado, se pueden generar datos de entrenamiento correspondientes a una combinación de personas con formas de cuerpo arbitrarias y poses arbitrarias. Hasta ahora, hemos creado y publicado un total de aproximadamente 100,000 piezas de datos, ambas para posiciones sentadas con / sin oclusiones, y para varias poses en una posición reclinada. Estos datos están disponibles gratuitamente para fines de investigación http://www.aisl.cs.tut.ac.jp/database_HDIBPL.html .
Fuente de la historia :
Materiales proporcionados por Universidad Tecnológica de Toyohashi . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :