論文の概要: Image-based Stability Quantification
- arxiv url: http://arxiv.org/abs/2206.11443v1
- Date: Thu, 23 Jun 2022 01:24:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 13:41:45.884362
- Title: Image-based Stability Quantification
- Title（参考訳）: 画像に基づく安定性定量化
- Authors: Jesse Scott, John Challis, Robert T. Collins, Yanxi Liu
- Abstract要約: 計算の安定性を推定する画像ベース手法として、Center of Mass (CoM)、Base of Support (BoS)、Center of Pressure (CoP)を提案する。
実験室による感覚出力(地上真実)から直接発生するものに対して、2つの古典的安定度を計算するための画像ベース手法を定量的に検証する。
本研究は,自然環境における安定性計算とモニタリングに関する有望な定量的証拠を提供する。
- 参考スコア（独自算出の注目度）: 2.867517731896504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantitative evaluation of human stability using foot pressure/force
measurement hardware and motion capture (mocap) technology is expensive, time
consuming, and restricted to the laboratory (lab-based). We propose a novel
image-based method to estimate three key components for stability computation:
Center of Mass (CoM), Base of Support (BoS), and Center of Pressure (CoP).
Furthermore, we quantitatively validate our image-based methods for computing
two classic stability measures against the ones generated directly from
lab-based sensory output (ground truth) using a publicly available
multi-modality (mocap, foot pressure, 2-view videos), ten-subject human motion
dataset. Using leave-one-subject-out cross validation, our experimental results
show: 1) our CoM estimation method (CoMNet) consistently outperforms
state-of-the-art inertial sensor-based CoM estimation techniques; 2) our
image-based method combined with insole foot-pressure alone produces consistent
and statistically significant correlation with ground truth stability measures
(CoMtoCoP R=0.79 P<0.001, CoMtoBoS R=0.75 P<0.001); 3) our fully image-based
stability metric estimation produces consistent, positive, and statistically
significant correlation on the two stability metrics (CoMtoCoP R=0.31 P<0.001,
CoMtoBoS R=0.22 P<0.001). Our study provides promising quantitative evidence
for stability computations and monitoring in natural environments.
- Abstract（参考訳）: 足圧/力測定ハードウェアとモーションキャプチャ(モキャップ)技術を用いた人間の安定性の定量的評価は、高価で、時間がかかり、実験室(ラボベース)に限られている。
本稿では,安定度計算の3つの重要な要素であるCenter of Mass(CoM),Base of Support(BoS),Center of Pressure(CoP)を画像ベースで推定する手法を提案する。
さらに,本手法を定量的に検証し,実験系センサ出力(接地真理)から直接生成する2つの古典的安定性尺度を,公開可能なマルチモダリティ(モキャップ,足圧,2ビュービデオ)と10サブジェクトヒューマンモーションデータセットを用いて定量的に検証した。
leave-one-subject-out cross Validation を用いて実験結果が得られた。
1)CoM推定法(CoMNet)は,最先端の慣性センサを用いたCoM推定法より一貫して優れている。
2) 画像ベース法と不規則な足圧のみを併用すると, 地上の真理安定度(CoMtoCoP R=0.79 P<0.001, CoMtoBoS R=0.75 P<0.001)と一貫した統計的に有意な相関が生じる。
3) 完全画像に基づく安定性メトリック推定は, 2つの安定性メトリクス(comtocop r=0.31 p<0.001, comtobos r=0.22 p<0.001)について一貫性, 正, 統計的に有意な相関をもたらす。
本研究は,自然環境における安定計算とモニタリングの定量的な証拠を提供する。
関連論文リスト
- Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。
動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
論文 参考訳（メタデータ） (2024-10-07T02:57:26Z) - Bisimulation metric for Model Predictive Control [44.301098448479195]
Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。
BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。
我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
論文 参考訳（メタデータ） (2024-10-06T17:12:10Z) - Towards Stable 3D Object Detection [64.49059005467817]
安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。
モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。
PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
論文 参考訳（メタデータ） (2024-07-05T07:17:58Z) - Nonstabilizerness via matrix product states in the Pauli basis [0.0]
行列積状態(MPS)の枠組みにおける非安定化性評価のための新しい手法を提案する。
我々のフレームワークは、安定化器R'enyiエントロピー、安定化器Nullity、ベルマジックなど、様々な非安定化器性の測定を効率的に行うための強力なツールを提供する。
我々はIsingおよびXXZスピン鎖の基底状態や最近Rydberg原子配列で実現された回路力学において,本手法の有効性と汎用性を示す。
論文 参考訳（メタデータ） (2024-01-29T19:12:10Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳（メタデータ） (2022-02-01T21:21:56Z) - Differential privacy and robust statistics in high dimensions [49.50869296871643]
高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。
本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
論文 参考訳（メタデータ） (2021-11-12T06:36:40Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - Characterizing the Stability of NISQ Devices [0.40611352512781856]
我々は,DiVincenzoの要件を定量化し,それらの重要な指標の安定性を研究するためのメトリクスと理論の枠組みを開発する。
同じ実験では、再現可能なヒストグラムを時間内に生成する装置と、同様のヒストグラムを宇宙で生成する装置がより信頼性が高いと考えられる。
我々は,IBMのヨークタウンデバイスから収集したデータを用いて方法論を説明する。
論文 参考訳（メタデータ） (2020-08-21T15:40:01Z) - Neural Lyapunov Model Predictive Control: Learning Safe Global
Controllers from Sub-optimal Examples [4.777323087050061]
多くの実世界の産業アプリケーションでは、例えば人間の操作者による実行など、既存の制御戦略を持つことが典型的である。
この研究の目的は、安全と安定性を維持する新しいコントローラを学習することで、この未知の、安全だが、最適でないポリシーを改善することである。
提案アルゴリズムは、端末コストを学習し、安定性基準に従ってMPCパラメータを更新する。
論文 参考訳（メタデータ） (2020-02-21T16:57:38Z)
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。