AAAIFeb, 2022

贝叶斯滤波多超图技术在装配任务中的活动识别

PDF
TL;DR该论文研究了基于传感器的人类活动识别在手工工作过程（如装配任务）中的应用，提出了一种新的贝叶斯滤波模型，利用多超图和图重写规则来表示和更新系统状态，并通过真实数据集的验证表明了该方法的适用性。
sensor-basedhuman activity recognitionbayesian filteringmulti-hypergraphsgraph rewriting rules
发现论文，激发创造
  • 人体活动检测的多任务自监督学习

    本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

    Jul, 2019

  • 基于可穿戴设备的弱监督多任务表示学习人类活动分析

    我们提出了一种使用弱监督多输出连体网络的方法，该方法能够学习将数据映射到多个表示空间上，从而能够同时解决多个任务，并在许多情况下胜过单任务监督方法。

    Aug, 2023

  • 抽象隐马尔可夫模型中的政策识别

    本文提出了一种基于概率推理的在线计划识别方法，采用抽象隐马尔可夫模型（AHMM）作为计划执行模型，结合 Rao-Blackwellised 粒子滤波器构建高效的混合推理方法，从而实现了多层次的动态计划识别。

    Jun, 2011

  • 复杂随机过程的易处理推理

    本文描述了在动态贝叶斯网络中维护精简的信任状态的想法，以及分析错误是如何随过程演化呈指数级收缩的，最终向我们展示了如何在监测任务中应用我们的想法。

    Jan, 2013

  • 基于超图的多机器人任务和运动规划

    该研究提出一种基于超图的多机器人任务和动作规划方法，将规划空间分解为互相独立的空间子集，使得规划时间相对于已有方法加速了三个数量级，并且展现了该方法在其他多机器人任务和动作规划问题上的有效性。

    Oct, 2022

  • 使用参数优化的多阶段图卷积网络和 Transformer 模型进行人类活动识别的特征融合

    使用深度学习模型（如卷积神经网络和 Transformer）进行人类活动识别，研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集，PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估，PO-MS-GCN 模型在效果上优于其他先进模型，并且特征融合在不同数据集上改善了结果。

    Jun, 2024

  • 利用因果关系在动态贝叶斯网络中进行选择性信念过滤（扩展摘要）

    该研究探索了利用因果关系加速贝叶斯网络中的信念过滤任务的想法，并提出了一种基于被动性的选择性信念过滤方法（PSBF），该方法在维护因果关系的情况下，在虚拟进程和模拟多机器人仓库中均优于传统滤波方法。

    Jul, 2019

  • HAKE: 人类活动知识引擎

    通过人体部位状态建立大规模的人体活动知识引擎（HAKE），提出了基于 HAKE 的部位状态识别模型，并且证明了这种方法能够提高模型在人 - 物互动识别和一次性子集上的表现。

    Apr, 2019

  • 从轨迹中贝叶斯推断群体活动的递归序列

    该研究提出了一种基于概率生成模型的方法，可以通过对个体轨迹的观察，推断多个时间粒度上的协调递归结构组活动的描述，并演示了该模型在多种复杂场景中的表达能力。

    Apr, 2016

  • 利用动态因式分解将人类提供的信息整合到信念状态表示中

    该篇论文介绍了一个关于机器人在部分观察环境下进行可靠的推理与规划的有效方法，通过提供现实世界中物体属性的概率信息，并采取正确的策略，实现基于内部状态的自我学习，并验证了该方法在两个开放领域的规划问题中的有效性。

    Feb, 2018