Phương pháp dựa trên học máy trong theo dõi chuyển động cơ thể người với số lượng ít cảm biến
98 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.FEE.2022.171-176Từ khóa:
Cảm biến góc quay kết hợp cảm biến gia tốc (Inertial Measurement Unit - IMU); Decision Tree Regression (DTR).Tóm tắt
Hầu hết các bộ thiết bị cảm biến cơ thể hiện nay được cấu tạo bằng nhiều cảm biến con quay kết hợp cảm biến gia tốc (IMU) đặt trên các vị trí khác nhau của cơ thể người. Các cảm biến IMU sau đó sẽ cảm biến vị trí, góc quay, góc nghiên của mình trong không gian, từ đó, nội suy ra chuyển động của các bộ phận và toàn bộ cơ thể người. Mặc dù cảm biến IMU có độ chính xác và tốc độ xử lý nhanh, các cảm biến loại này chịu một hạn chế lớn là dễ bị ảnh hưởng bởi các nguồn từ trường bên ngoài. Điều này khiến quá trình nội suy lại cơ thể người trở nên không chính xác trong điều kiện môi trường sử dụng có nhiều nguồn từ trường mạnh như: khung kim loại, máy tính,… Trong bài báo này, chúng tôi đề xuất một mô hình học máy cho phép dự đoán các tư thế thân trên của cơ thể người, từ 03 đầu vào ổn định (đầu, bàn tay phải, bàn tay trái), qua đó, giảm phụ thuộc vào các cảm biến IMU.
Tài liệu tham khảo
[1]. Robert-Lachaine, Xavier & Mecheri, Hakim & Larue, Christian & Plamondon, Andre. “Effect of local magnetic field disturbances on inertial measurement units accuracy”. Applied Ergonomics. 63, (2017). 123-132. 10.1016/j.apergo.2017.04.011. DOI: https://doi.org/10.1016/j.apergo.2017.04.011
[2]. Groves, P.D. “Navigation using inertial sensors [Tutorial]”. IEEE Aerosp. Electron. Syst. Mag., 30, 42–69, (2015). DOI: https://doi.org/10.1109/MAES.2014.130191
[3]. Solin, A.; Cortes, S.; Rahtu, E.; Kannala, J. “PIVO: Probabilistic inertial-visual odometry for occlusion-robust navigation”. In Proceedings of the 2018 IEEE Winter Conference on Applications of Computer Vision (WACV), Lake Tahoe, NV, USA, pp. 616–625, (2018). DOI: https://doi.org/10.1109/WACV.2018.00073
[4]. Solin, A.; Cortes, S.; Rahtu, E.; Kannala, J. “Inertial odometry on handheld smartphones”. In Proceedings of the 2018 21st International Conference on Information Fusion (FUSION), Cambridge, UK, pp. 1–5, (2018). DOI: https://doi.org/10.23919/ICIF.2018.8455482
[5]. Clark, R.; Wang, S.; Wen, H.; Markham, A.; Trigoni, N. “Vinet: Visual-inertial odometry as a sequence-to-sequence learning problem”. In Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence, San Francisco, CA, USA, (2017). DOI: https://doi.org/10.1609/aaai.v31i1.11215
[6]. Chen, C.; Rosa, S.; Miao, Y.; Lu, C.X.; Wu, W.; Markham, A.; Trigoni, N. “Selective sensor fusion for neural visual-inertial odometry”. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Long Beach, CA, USA, pp. 10542–10551, (2019). DOI: https://doi.org/10.1109/CVPR.2019.01079
[7]. Li, X.F.; Mao, Y.L.; Xie, L.; Chen, J.B.; Song, C.L. “Applications of zero-velocity detector and Kalman filter in zero velocity update for inertial navigation system”. In Proceedings of the 2014 IEEE Chinese Guidance, Navigation and Control Conference, Yantai, China, pp. 1760–1763, (2014).
[8]. Li, L.; Pan, Y.; Lee, J.K.; Ren, C.; Liu, Y.; Grejner-Brzezinska, D.A.; Toth, C.K. “Cart-mounted geolocation system for unexploded ordnance with adaptive ZUPT assistance”. IEEE Trans. Instrum. Meas. 61, 974–979, (2012). DOI: https://doi.org/10.1109/TIM.2011.2179820
[9]. Yao, Y.; Xu, X.; Xu, X. “An IMM-aided ZUPT methodology for an INS/DVL integrated navigation system”. Sensors, 17, 2030, (2017). DOI: https://doi.org/10.3390/s17092030
[10]. Silva do Monte Lima, J.P.; Uchiyama, H.; Taniguchi, R.I. “End-to-End Learning Framework for IMU-Based 6-DOF Odometry”. Sensors, 19, 3777, (2019). DOI: https://doi.org/10.3390/s19173777
