論文の概要: Exploring the Potential of Robot-Collected Data for Training Gesture Classification Systems
- arxiv url: http://arxiv.org/abs/2405.04241v1
- Date: Tue, 7 May 2024 11:58:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 14:20:03.704408
- Title: Exploring the Potential of Robot-Collected Data for Training Gesture Classification Systems
- Title（参考訳）: 義肢分類システムのためのロボット収集データの可能性を探る
- Authors: Alejandro Garcia-Sosa, Jose J. Quintana-Hernandez, Miguel A. Ferrer Ballester, Cristina Carmona-Duarte,
- Abstract要約: 本研究は,ロボットが収集したデータを用いた訓練分類システムの実現可能性について検討する。
本研究では,人間記録データとロボット記録データの両方を用いて,訓練システムの分類性能を比較した。
- 参考スコア（独自算出の注目度）: 40.34185280098731
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sensors and Artificial Intelligence (AI) have revolutionized the analysis of human movement, but the scarcity of specific samples presents a significant challenge in training intelligent systems, particularly in the context of diagnosing neurodegenerative diseases. This study investigates the feasibility of utilizing robot-collected data to train classification systems traditionally trained with human-collected data. As a proof of concept, we recorded a database of numeric characters using an ABB robotic arm and an Apple Watch. We compare the classification performance of the trained systems using both human-recorded and robot-recorded data. Our primary objective is to determine the potential for accurate identification of human numeric characters wearing a smartwatch using robotic movement as training data. The findings of this study offer valuable insights into the feasibility of using robot-collected data for training classification systems. This research holds broad implications across various domains that require reliable identification, particularly in scenarios where access to human-specific data is limited.
- Abstract（参考訳）: センサーと人工知能(AI)は人間の運動の分析に革命をもたらしたが、特定のサンプルの不足は、特に神経変性疾患の診断において、知能システムの訓練において重要な課題となっている。
本研究は,従来の人文学習型分類システムにおけるロボット収集データの利用の可能性について検討した。
概念実証として,ABBロボットアームとApple Watchを用いた数値文字データベースを作成した。
本研究では,人間記録データとロボット記録データの両方を用いて,訓練システムの分類性能を比較した。
我々の主な目的は、ロボットの動きをトレーニングデータとして用いて、スマートウォッチを着用している人間の数字の正確な識別の可能性を決定することである。
本研究は,ロボットコンパイルデータによる分類システムの構築の可能性について検討した。
この研究は、特に人間固有のデータへのアクセスが制限されたシナリオにおいて、信頼性の高い識別を必要とする様々な領域に広範に影響を及ぼす。
関連論文リスト
- Learning Object Properties Using Robot Proprioception via Differentiable Robot-Object Interaction [52.12746368727368]
微分可能シミュレーションは、システム識別の強力なツールとなっている。
本手法は,オブジェクト自体のデータに頼ることなく,ロボットからの情報を用いてオブジェクト特性を校正する。
低コストなロボットプラットフォームにおける本手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-10-04T20:48:38Z) - An embedding for EEG signals learned using a triplet loss [0.0]
脳-コンピュータインタフェース(BCI)では、デコードされた脳状態情報を最小の時間遅延で使用することができる。
このようなデコードタスクの課題は、小さなデータセットサイズによって引き起こされる。
神経生理学的データのための新しいドメイン特異的埋め込みを提案する。
論文 参考訳（メタデータ） (2023-03-23T09:05:20Z) - "Task-relevant autoencoding" enhances machine learning for human
neuroscience [0.0]
人間の神経科学において、機械学習は被験者の行動に関連する低次元の神経表現を明らかにするのに役立つ。
本研究では,機能拡張(TRACE)によるタスク関連オートエンコーダを開発し,その動作関連表現を抽出する能力を検証した。
TRACEは全てのモデルをほぼ一方的に上回り、分類精度は最大12%向上し、タスク関連表現の発見において最大56%改善した。
論文 参考訳（メタデータ） (2022-08-17T18:44:39Z) - Addressing Data Scarcity in Multimodal User State Recognition by
Combining Semi-Supervised and Supervised Learning [1.1688030627514532]
本稿では,人間とロボットの相互作用環境における解離・解離状態を検出するためのマルチモーダル機械学習手法を提案する。
我々は,少ないラベル付きデータと大きなラベル付きデータセットを用いて,デア/アグリメント検出のための平均F1スコア81.1%を達成する。
論文 参考訳（メタデータ） (2022-02-08T10:41:41Z) - Human-Robot Collaboration and Machine Learning: A Systematic Review of
Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。
本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文 参考訳（メタデータ） (2021-10-14T15:14:33Z) - Learning to Control Complex Robots Using High-Dimensional Interfaces:
Preliminary Insights [22.719193009150867]
7自由度ロボットアームを制御するための入力として、モーションセンサーで捉えた上半身の限られた動きを探索する。
密度の高いセンサ信号でさえ、信頼性の高い高次元ロボット制御に必要な健全な情報や独立性を欠いている可能性がある。
論文 参考訳（メタデータ） (2021-10-09T23:38:22Z) - What Matters in Learning from Offline Human Demonstrations for Robot
Manipulation [64.43440450794495]
ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。
我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。
人間のデータセットから学ぶ機会を強調します。
論文 参考訳（メタデータ） (2021-08-06T20:48:30Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳（メタデータ） (2020-03-23T14:55:00Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
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。