Riassunto analitico
Negli ultimi anni, i gesti sono diventati una consuetudine nell'interazione uomo-robot, visto che permettono di comandarle i robot in modo intuitivo e naturale. Nel lavoro svolto ci si focalizza sul problema del riconoscimento di gesti dell'avambraccio, registrati come dati inerziali con un dispositivo indossabile. A questo fine, vengono considerati diversi algoritmi di Machine Learning e li si valuta in termini di efficacia nel riconoscimento del gesto. Nello specico, vengono utilizzate diverse metriche di performance così da tenere in considerazione i requisiti specifici dell'interazione uomo-robot; inoltre vengono analizzate diverse condizioni di movimento mantenute dai soggetti che eseguono i gesti registrati. I risultati mostrano che l'algoritmo Support Vector Machines restituisce performance nel complesso migliori rispetto a Random Forest Classiers e a K-Nearest Neighbors. Inoltre si dimostra come una classicazione multi-classe è da preferire rispetto a una cascata di classicatori binari, ognuno dei quali elabora solo uno dei gesti considerati. Si mostra anche l'effetto dell'introduzione in fase di training di alcuni movimenti casuali dell'avambraccio dell'operatore. Infinene si mostra come ottime performance siano preservate anche in presenza di movimenti spuri e come si ottenga una buona robustezza inter-soggetto negli esperimenti.
|
Abstract
In recent years, gestures have become an established way to interact with robots since they allow to command them in an intuitive and natural manner. In this thesis, we focus on the problem of recognizing forearm gestures, recorded in terms of inertial data with a wearable device. To this end, we consider different machine learning algorithms and assess them in terms of effectiveness in online gesture recognition.
Specifically, different performance metrics are considered to take into account specific requirements in human-robot interaction, together with different motion conditions while enrolled subjects are performing recorded gestures. Results show that support vector machines return better overall performance than random forests and K-nearest neighbors. Moreover, we show that multiclass classification is to be preferred to a collection of binary classifiers, each selective for one of the considered gestures. Finally, remarkable performance are observed also in the presence of spurious movements and on subjects different from those recorded during the training phase.
|