論文の概要: Activity Recognition in Assembly Tasks by Bayesian Filtering in Multi-Hypergraphs

• arxiv url: http://arxiv.org/abs/2202.00332v1
• Date: Tue, 1 Feb 2022 11:01:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 19:59:57.402613
• Title: Activity Recognition in Assembly Tasks by Bayesian Filtering in Multi-Hypergraphs
• Title（参考訳）: マルチハイパーグラフにおけるベイズフィルタによる集合タスクのアクティビティ認識
• Authors: Timon Felske, Stefan L\"udtke, Sebastian Bader, Thomas Kirste
• Abstract要約: 組立作業などの手作業プロセスにおいて,センサによる人間の活動認識について検討する。 本手法では,システム状態はマルチハイパーグラフで表現され,システムダイナミクスはグラフ書き換え規則によってモデル化される。 マルチハイパーグラフ上の分布を全列挙よりもコンパクトに表現できる予備概念を示し、このコンパクト表現に直接作用する推論アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.2961180148172198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study sensor-based human activity recognition in manual work processes like assembly tasks. In such processes, the system states often have a rich structure, involving object properties and relations. Thus, estimating the hidden system state from sensor observations by recursive Bayesian filtering can be very challenging, due to the combinatorial explosion in the number of system states. To alleviate this problem, we propose an efficient Bayesian filtering model for such processes. In our approach, system states are represented by multi-hypergraphs, and the system dynamics is modeled by graph rewriting rules. We show a preliminary concept that allows to represent distributions over multi-hypergraphs more compactly than by full enumeration, and present an inference algorithm that works directly on this compact representation. We demonstrate the applicability of the algorithm on a real dataset.
• Abstract（参考訳）: 組み立て作業などの手作業プロセスにおいて,センサに基づくヒューマンアクティビティ認識について検討する。 そのようなプロセスでは、システム状態は、しばしば、オブジェクトプロパティとリレーションを含むリッチな構造を持つ。 したがって、再帰的なベイズフィルタによるセンサ観測から隠れた系状態を推定することは、システム状態の組合せ爆発のため非常に困難である。 この問題を軽減するために,そのようなプロセスに対する効率的なベイズフィルタモデルを提案する。 本手法では,システム状態はマルチハイパーグラフで表現され,システムダイナミクスはグラフ書き換え規則によってモデル化される。 本稿では,マルチハイパーグラフ上の分布を全列挙法よりもコンパクトに表現できる予備概念を示し,このコンパクト表現に直接作用する推論アルゴリズムを提案する。 実際のデータセット上でのアルゴリズムの適用性を示す。

関連論文リスト

• Bisimulation Learning [55.859538562698496]
  我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。 提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
  論文  参考訳（メタデータ） (2024-05-24T17:11:27Z)
• Gaussian Ensemble Belief Propagation for Efficient Inference in High-Dimensional Systems [3.6773638205393198]
  高次元モデルにおける効率的な推論は、機械学習における中心的な課題である。 本稿では Ensemble Kalman Filter (EnKF) と Gaussian Belief Propagation (GaBP) を紹介する。 GEnBPは、グラフィカルモデルのエッジに低ランクのローカルメッセージを渡すことで、先行サンプルのアンサンブルを後続サンプルに更新する。
  論文  参考訳（メタデータ） (2024-02-13T03:31:36Z)
• Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
  部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究 まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。 次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
  論文  参考訳（メタデータ） (2023-06-21T16:04:03Z)
• Dealing with Collinearity in Large-Scale Linear System Identification Using Gaussian Regression [3.04585143845864]
  複数の相互接続型動的システムからなるネットワークの推定について検討する。 我々は、任意のインパルス応答をゼロ平均ガウス過程の実現と見なすベイズ正規化フレームワークにキャストされた戦略を開発する。 我々はマルコフ連鎖モンテカルロスキームを設計し、コリナリティを効率的に扱うことでインパルス応答を後方に再構築する。
  論文  参考訳（メタデータ） (2023-02-21T19:35:47Z)
• Subgraph Frequency Distribution Estimation using Graph Neural Networks [17.02487540304784]
  本稿では,グラフニューラルネットワークを用いた新しい表現学習フレームワークであるGNNSを提案する。 我々のフレームワークは、ノード、サブグラフ、グラフの階層的な埋め込みを学習する推論モデルと生成モデルを含む。 学習したモデルと埋め込みを用いて、サブグラフを高度にスケーラブルで並列な方法でサンプリングし、これらのサンプリングされたサブグラフに基づいて周波数分布推定を行う。
  論文  参考訳（メタデータ） (2022-07-14T06:23:38Z)
• Assembly Planning from Observations under Physical Constraints [65.83676649042623]
  提案アルゴリズムは, 物理安定性制約, 凸最適化, モンテカルロ木探索の簡単な組み合わせを用いて, 集合を計画する。 それは効率的で、最も重要なことは、オブジェクト検出のエラーに対して堅牢であり、実際のロボットシステムでは避けられないポーズ推定である。
  論文  参考訳（メタデータ） (2022-04-20T16:51:07Z)
• Principled inference of hyperedges and overlapping communities in hypergraphs [0.0]
  本稿では,ハイパーグラフの構造的構造を特徴付けるための統計的推測に基づく枠組みを提案する。 我々は,ハイパーエッジ予測タスクにおいて強い性能を示し,相互作用によってもたらされる情報に順応したコミュニティの検出,ノイズの多いハイパーエッジの追加に対する堅牢性を示した。
  論文  参考訳（メタデータ） (2022-04-12T09:13:46Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• Imitation of Manipulation Skills Using Multiple Geometries [20.21868546298435]
  本稿では,座標系の辞書から最適表現を抽出し,観測された動きを表現する学習手法を提案する。 本研究では,シミュレーションおよび7軸フランカ・エミカロボットのグリーピングおよびボックスオープニングタスクに適用する。
  論文  参考訳（メタデータ） (2022-03-02T15:19:33Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。