Clustering of Motion Trajectories by a Distance Measure Based on Semantic Features

要約

動作軌跡のクラスタリングは、人間の動作の予測、それに対する素早い反応、および明示的なジェスチャの認識を可能にするため、人間とロボットの相互作用に非常に関連しています。
さらに、記録されたモーションデータの自動分析が可能になります。
軌跡のクラスタリング アルゴリズムの多くは、点ごとのユークリッド距離に基づく距離メトリックに基づいて構築されています。
しかし、私たちの研究は、多くの場合、顕著な特徴に焦点を当てるだけで十分であることを示しています。
我々は、主な特徴から構築された圧縮表現に基づいた、状態軌道と制御軌道で構成される運動計画の新しい距離測定を提案します。
このアプローチにより、それぞれのタスクに関連するフィーチャクラスを柔軟に選択できます。
距離測定は、凝集型階層クラスタリングで使用されます。
フルタ振り子とマニュテックロボットアームの動作計画のテストセット、および人間の動作データセットからの実世界データについて、広く使用されている動的タイムワーピングアルゴリズムと私たちの方法を比較します。
提案された方法は、クラスタリングではわずかな利点があり、実行時では、特に長い軌道の場合に強力な利点を示します。

要約(オリジナル)

Clustering of motion trajectories is highly relevant for human-robot interactions as it allows the anticipation of human motions, fast reaction to those, as well as the recognition of explicit gestures. Further, it allows automated analysis of recorded motion data. Many clustering algorithms for trajectories build upon distance metrics that are based on pointwise Euclidean distances. However, our work indicates that focusing on salient characteristics is often sufficient. We present a novel distance measure for motion plans consisting of state and control trajectories that is based on a compressed representation built from their main features. This approach allows a flexible choice of feature classes relevant to the respective task. The distance measure is used in agglomerative hierarchical clustering. We compare our method with the widely used dynamic time warping algorithm on test sets of motion plans for the Furuta pendulum and the Manutec robot arm and on real-world data from a human motion dataset. The proposed method demonstrates slight advantages in clustering and strong advantages in runtime, especially for long trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google