[論文レビュー] Human Motion Prediction using Semi-adaptable Neural Networks

Yujiao Cheng, Weiye Zhao+2 more|arXiv (Cornell University)|Oct 1, 2018

Human Pose and Action Recognition参考文献 16被引用数 4

ひとこと要約

本稿では、オフライン学習とオンライン再帰的最小二乗法パrameter適応（RLS-PAA）を組み合わせることで、時間変動する人間の行動にリアルタイムで適応可能であり、不確実性推定も可能な、準適応型ニューラルネットワークを提案する。この手法は、最先端の手法と比較して予測精度と計算効率の両面で顕著に優れており、ベンチマークデータセット上での平均二乗誤差を最大75％まで低減した。

ABSTRACT

Human motion prediction is an important component to facilitate human robot interaction. Robots need to accurately predict human's future movement in order to safely plan its own motion trajectories and efficiently collaborate with humans. Many recent approaches predict human's movement using deep learning methods, such as recurrent neural networks. However, existing methods lack the ability to adapt to time-varying human behaviors, and many of them do not quantify uncertainties in the prediction. This paper proposes an approach that uses a semi-adaptable neural network for human motion prediction, and provides uncertainty bounds of the predictions in real time. In particular, a neural network is trained offline to represent the human motion transition model, and then recursive least square parameter adaptation algorithm (RLS-PAA) is adopted for online parameter adaptation of the neural network and for uncertainty estimation. Experiments on several human motion datasets verify that the proposed method significantly outperforms the state-of-the-art approach in terms of prediction accuracy and computation efficiency.

研究の動機と目的

• 既存のディープラーニング手法が時間変動する行動に適応できないこと、予測の不確実性を定量化できないという限界を解消すること。
• 多様な運動パターンや個人差にわたって高い精度を維持しつつ、計算効率の高い手法を開発すること。
• 動的で変化する人間-ロボットインタラクションの状況において、ニューラルネットワークのパラメータをリアルタイムでオンラインで適応可能にすること。
• 人間-ロボット協働における安全なロボット運動計画のための信頼性のある不確実性バウンダリーを提供すること。

提案手法

• フィードフォワードニューラルネットワークをオフラインで学習し、履歴的な関節軌道データからグローバルな人間の運動遷移モデルを学習する。
• オンラインパラメータ適応は、ネットワークの最終層にのみ適用され、再帰的最小二乗法パrameter適応アルゴリズム（RLS-PAA）を用いる。
• RLS-PAAにより、リアルタイムの予測誤差に基づいて最終層の重みを高速かつ再帰的に更新でき、運動ダイナミクスの変化に迅速に対応できる。
• アルゴリズムは忘却係数を組み込んでおり、過去のデータの影響を制御し、最近の運動パターンに動的に適応可能である。
• 予測の不確実性は、RLS-PAAの共分散行列から直接推定され、リアルタイムでの信頼区間が得られる。
• 全ネットワークを再学習するのとは異なり、最終層のみを適応させるため、バックプロパゲーションを全ネットワークに適用しない点で計算効率が著しく高い。

実験結果

リサーチクエスチョン

• RQ1 準適応型ニューラルネットワークアーキテクチャは、固定されたオフラインモデルと比較して、人間の運動予測精度を向上させることができるか？
• RQ2 RLS-PAAを用いて最終層のみをオンラインで適応させることで、全ネットワークのオンライン学習と比較して、急激な運動変化への応答がより速く正確になるか？
• RQ3 提案手法は、安全なロボット運動計画のための信頼性のある人間の運動予測不確実性を推定できるか？
• RQ4 RLS-PAAに基づく手法は、多様な運動データセットおよび運動タイプにおいて、識別子ベースのアルゴリズムと比較してどのように性能を発揮するか？

主な発見

• CMUデータセットにおいて、提案手法は平均二乗推定誤差（MSEE）が5.5728 cm²を記録し、識別子ベース手法（21.9248 cm²）と比較して74.6％の低減を達成した。
• Kinectデータセットでは、MSEEが識別子ベース手法の27.3493 cm²からRLS-PAAの12.0419 cm²にまで低減され、55.9％の改善が得られた。
• 時間変動（TV）および時間不変（TI）の人工データセットにおいて、RLS-PAA手法はそれぞれMSEEが2.2261 cm²および1.3180 cm²を記録し、両方の識別子ベースおよび非適応ベースラインを上回った。
• 複数の運動カテゴリおよびデータセットにおいて、本手法は一貫した精度と安定性の向上を示し、高いロバストネスを示した。
• オンライン適応において全バックプロパゲーションを回避するため、識別子ベース手法と比較して計算効率が著しく高かった。
• RLS-PAAが提供する不確実性推定は、運動ダイナミクスの変化に応じて信頼性があり、迅速に反応するものであり、安全なロボット軌道計画を支援した。