論文の概要: Neural Networks for Temporal Pattern Recognition and Dynamic Arm Gesture Speed Estimation for Robot Control

• arxiv url: http://arxiv.org/abs/2610.11631v1
• Date: Thu, 08 Oct 2026 10:08:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.943513
• Title: Neural Networks for Temporal Pattern Recognition and Dynamic Arm Gesture Speed Estimation for Robot Control
• Title（参考訳）: ロボット制御のための時間パターン認識と動的アームジェスチャ速度推定のためのニューラルネットワーク
• Abstract要約: ニューラルネットワークは骨格データからジェスチャーの速度を確実に推定できることを示す。 これらの結果は、速度認識型ジェスチャー制御ロボットシステムへの道を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying intelligent robotic systems that interact with humans through gestures requires neural networks capable of recognizing diverse temporal patterns. We present a systematic benchmark of ten abstract sequential tasks--five permutation-invariant (set) and five order-dependent (sequence) problems--evaluated across eighteen neural network architectures spanning recurrent, convolutional, attention-based, and set-function families. Beyond the core architecture-task grid, we explore numerous preprocessing and target-variable transformations, yielding more than 250 distinct experimental configurations. All variants are trained and tested under strictly identical conditions (fixed random seeds, shared hyperparameters, shared data splits) to ensure fair and reproducible comparison. Ranking across all ten tasks reveals four consistently top-performing architectures--BiGRU, TCN, Conv1D, and GRUReLU--all compact enough for real-time deployment (under 2,000 parameters in the benchmark setting). Based on this ranking, we apply three architecturally diverse top models (BiGRU, TCN, and GRUReLU) to a practical robotics problem: estimating the execution speed of dynamic arm gestures from skeletal keypoint sequences. Three speed interpretations (peak count, period time, and mean spike spacing) are evaluated on a custom dataset of eight traffic-related gesture classes comprising 256,710 frames recorded via OpenPose. The best configuration achieves a mean absolute error of 0.198 on the peak-count interpretation, corresponding to roughly 5% relative error, while the period-time interpretation reaches approximately 4% relative error, and the mean spike spacing interpretation approximately 8% relative error. These results demonstrate that neural networks can reliably estimate gesture speed from skeletal data, opening a path toward speed-aware gesture-controlled robotic systems.
• Abstract（参考訳）: ジェスチャーを通じて人間と対話するインテリジェントなロボットシステムをデプロイするには、多様な時間パターンを認識するニューラルネットワークが必要である。 本稿では, 繰り返し, 畳み込み, 注意に基づく, 集合関数系にまたがる18のニューラルネットワークアーキテクチャにおいて, 5つの置換不変(セット)と5つの順序依存(シーケンス)問題を比較検討した。 コアアーキテクチャとタスクグリッドの他に、多数のプリプロセッシングとターゲット変数変換を探索し、250以上の異なる実験構成を生成する。 すべての変種は、厳密な条件(固定されたランダムシード、共有ハイパーパラメータ、共有データ分割)の下で訓練され、公正かつ再現可能な比較を保証する。 10タスクにランク付けすると、BiGRU、TN、Conv1D、GRUReLUの4つの一貫したトップパフォーマンスアーキテクチャが示されます。 このランキングに基づいて,3つのアーキテクチャ的に多様なトップモデル(BiGRU, TCN, GRUReLU)を,骨格キーポイントシーケンスから動的アームジェスチャーの実行速度を推定する実用ロボティクス問題に適用する。 OpenPose経由で記録された256,710フレームからなる8つの交通関連ジェスチャークラスのカスタムデータセットにおいて、3つの速度解釈(ピークカウント、周期時間、平均スパイク間隔)を評価する。 最適構成は、ピークカウントの解釈における平均絶対誤差0.198を約5%の相対誤差で達成し、一方、周期的な解釈はおよそ4%の相対誤差に達し、平均スパイク間隔の解釈は約8%の相対誤差となる。 これらの結果は、ニューラルネットワークが骨格データからジェスチャー速度を確実に推定し、速度認識型ジェスチャー制御ロボットシステムへの道を開くことを示している。

関連論文リスト

• Deep learning-based prediction of time-resolved adhesive forces in viscoelastic Hertzian contacts [0.0]
  我々は、所定の変位履歴から全力進化を予測するために、ステートフルでシークエンス・ツー・シークエンス深層学習モデルを訓練する。 モデルは、未知のパラメータの組み合わせと分析的制限ケースに対してテストされる。 制御指向アプリケーションで潜在的に使用可能な数値評価を繰り返すために、高速なサロゲートを提供する。
  論文  参考訳（メタデータ） (2026-07-21T12:48:48Z)
• OctoSense: Self-Supervised Learning for Multimodal Robot Perception [50.20346079739425]
  ステレオカメラとイベントカメラ、LiDAR、サーマルカメラ、慣性測定ユニット、プロプリセプション(車からのCANバスデータ、四足歩行ロボットの関節角度)を備えたオープンソースのセンサプラットフォームであるOctoSenseについて述べる。 匿名のOctoSenseデータセットには、59時間の時間同期駆動データが含まれている。 このような実世界のデータを用いて,センサの表現,周波数,レイテンシ,ノイズの異なるマルチモーダル自己教師型学習を実演する。
  論文  参考訳（メタデータ） (2026-06-25T17:30:49Z)
• Structured interactions improve distributed coordination beyond model scaling in a real-world multi-robot system [48.701675182639]
  実世界のマルチロボット協調におけるシステムレベルの設計問題について検討する。 ロボット間のコミュニケーションの再構築は、車載モデルのサイズを増大させるよりも大きな利益をもたらすか? 完全連結からモジュラー階層的相互作用への切り替えは47点(0-100)の正規化性能を改善する
  論文  参考訳（メタデータ） (2026-05-28T03:21:52Z)
• Resonant Sparse Geometry Networks [0.0]
  共振器スパース幾何ネットワーク(Resonant Sparse Geometry Networks, RSGN)は, 自己組織型スパーススパース入力依存接続を持つ脳にインスパイアされたアーキテクチャである。 RSGNは、接続強度が測地距離で減衰する学習された双曲空間に計算ノードを埋め込む。
  論文  参考訳（メタデータ） (2026-01-26T01:45:51Z)
• PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [6.2921559513184695]
  本稿では,基本関数から発生する時間的カーネルを含むPLEIA(Lynomial Expansion In Adaptive Distributed Event Systems)というニューラルネットワークのクラスを紹介する。 低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。
  論文  参考訳（メタデータ） (2024-05-20T17:06:24Z)
• Hypercomplex neural network in time series forecasting of stock data [0.0]
  入力層に畳み込み、長短期記憶(LSTM)、あるいは4次元代数の高複素層を含むように異なるアーキテクチャを評価した。 4つの関連する株式市場の時系列が入力データとして使われ、予測はそのうちの1つに焦点を当てている。
  論文  参考訳（メタデータ） (2024-01-09T15:59:43Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
  TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。 DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。 300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-07-17T08:32:11Z)

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。