運動学的および力学的拘束を受ける身体エージェントのための学習法の研究

点击翻译按钮获取中文摘要

(1)詳細度を適応的に変化させるクラスタリングアルゴリズムの開発昨年度までに開発した隠れマルコフモデル(HMM)を用いたヒューマノイドの全身運動クラスタリング法を発展させ、学習するデータの数に応じて適応的に詳細度を上げていく手法を提案した。具体的には、HMMを多重化したFactorial Hidden Markov Model(FHMM)を用いてモデルの精度を逐次的に向上させることを可能とした。また、オンラインで運動を観察しながら学習していく手法も開発した。(2)モーションキャプチャデータのオンライン分節化一連のモーションキャプチャデータを異なる動作毎にオンラインで分節化手法を提案した。本手法では、まず入力された運動データをある時間幅ごとに区切り、それぞれの部分に含まれるデータを一つの状態として持つHMMを構成し、このHMMでの最適な状態遷移を探索する。同一の動作であればデータが同様の確率分布を持つと仮定すれば、このHMMにおける状態遷移が発生した時点が動作の区切りであるとすることができる、本手法をオンラインのクラスタリング法と組み合わせることで、全身運動の逐次的なオンライン分節化とクラスタリングが可能になった。