Oct, 2022

基于人工智能视角的运动分析：现状、制造业应用及未来前景

PDF
TL;DR本文旨在回顾制造业中和广义上的运动分析的动态。我们通过理论的和应用的角度来调查最相关的工作。从理论角度出发，我们主要关注于两个研究方向：机器学习和逻辑建模。从应用角度出发，我们回顾了这些方法的应用，并介绍数字孪生的主要概念及其应用。同时，我们也介绍数字孪生的主要概念及其应用。
data-driven decision makingiot-based object trackingmovement analyticsmachine learningdigital twins
发现论文，激发创造
  • 真实工业任务和传统手工艺的动作捕捉基准用于人体运动分析

    这篇论文利用惯性运动捕捉技术记录了工业操作者和熟练工匠在实际场景中进行的专业手势，并使用基于运动学描述符的混合随机 - 生物力学方法 Gesture Operational Model 对专家的运动进行建模和数学表示，从而精确生成人体专业姿态，直观描述身体关节如何协作并随时间变化而变化。

    Apr, 2023

  • 通过地理可视化探索移动描述

    通过自动提取文本信息来感知运动现象具有挑战性。本文介绍了 GeoMovement，该系统基于结合机器学习和基于规则的运动相关信息抽取，并使用先进的可视化技术。GeoMovement 提供了一种集成框架，可以同时提取运动和缺乏运动，为人们提供了有意义的地理运动信息。

    Mar, 2022

  • ANALYTiC：机器学习中决策边界和降维的理解

    使用主动学习和降维技术结合决策边界，提取轨迹数据中的模式和聚类特征，以提高轨迹标记的效率和准确性。

    Dec, 2023

  • 汽车行业中的人工智能和数据科学

    数据科学和机器学习是未来汽车工业自动学习和优化进行流程和产品的关键技术，本文定义了 “数据科学” 和 “机器学习” 的术语并介绍了它们的相关性。它还定义了 “优化分析” 一词并说明了自动优化技术在数据分析中的关键作用。同时介绍了这些技术如何在汽车产业价值链的各个子流程中被使用，并举例说明了其创新应用的可能性。最后，该文章展示了这些技术如何使汽车工业更加高效，并通过整个产品开发过程拓展客户连接，以增强其客户关注度和活动。

    Sep, 2017

  • 人体运动轨迹预测：综述

    该研究调查了人类运动轨迹预测的现有方法，提出了一个基于运动建模方法和上下文信息水平的分类法，讨论了目前技术的局限性并提出了未来研究的方向。

    May, 2019

  • MobilityDL：基于轨迹数据的深度学习综述

    对轨迹数据的深度学习方法进行了综合概述，并通过对移动性数据的数据中心分析，从 2018 年以来的文献进行了全面的定量回顾，探讨了八个特定的移动性应用案例及其训练数据的使用。

    Feb, 2024

  • 深度学习人类移动性调查

    通过对人类活动的深入研究，结合大量的数字移动数据和人工智能的预测能力，运用深度学习模型，以以往的机械学习模型为基础，归纳整理的分类学，对多个任务（如下一位置预测、人流预测、轨迹和流预测）进行研究，是对人类移动的前沿研究。同时解决基础概念和现有挑战，方便深度学习科学家和实践者的理解。

    Dec, 2020

  • 移动分析中因果推断的可解释性和鲁棒性机器学习视角

    本文总结了基于因果推论对深度学习进行的可解释性和稳健性研究的最新进展，强调了交通运输领域深度学习基础的可解释性和稳健性问题，并提出发展因果学习模型应用于移动性分析的机遇。

    Oct, 2022

  • 计算机视觉辅助工人视频分析的运动量定量化

    基于计算机视觉的新框架可追踪和量化工人上下肢的运动，并在达到临界阈值时发出警报，通过精确动作分析和主动人体工程学调整，提供了一种增强工人安全和生产力的工具。

    May, 2024

  • 确定性人体运动预测的最新进展：综述

    本研究论文介绍了人体动作预测技术在人机交互、自动驾驶、运动分析和人员跟踪等各个领域的重要性，并深入讨论了该领域的常见模型架构的优势和劣势，总结了最近的研究创新，并提供了现有方法、常用数据集和评估指标的综合概述。此外，还讨论了该领域当前的一些限制，并提出了未来研究方向以克服这些挑战，推动人体动作预测的进一步发展。

    Dec, 2023