[논문 리뷰] Human motion primitive discovery and recognition.

Marta Sanzari, Valsamis Ntouskos외 3명|arXiv (Cornell University)|2017. 09. 29.

Human Pose and Action Recognition참고 문헌 55인용 수 4

한 줄 요약

이 논문은 관절 운동 간의 운동 유속 메트릭을 최적화하여 운동 캡처 데이터에서 인간의 운동 프리미티브를 자동으로 발견하고 인식하는 프레임워크를 제안한다. 비모수적 베이지안 모델과 기하학적 정규화를 사용하여 해부학적 특성에 영향을 받지 않는 강건한 프리미티브 인식을 달성하며, 로봇공학 및 인간-로봇 상호작용 분야의 연구를 위해 공개 데이터셋을 제공한다.

ABSTRACT

We present a novel framework for the automatic discovery and recognition of
 human motion primitives from motion capture data. Human motion primitives are
 discovered by optimizing the 'motion flux', a quantity which depends on the
 motion of a group of skeletal joints. Models of each primitive category are
 computed via non-parametric Bayes methods and recognition is performed based on
 their geometric properties. A normalization of the primitives is proposed in
 order to make them invariant with respect to anatomical variations and data
 sampling rate. Using our framework we build a publicly available dataset of
 human motion primitives based on motion capture sequences taken from well-known
 datasets. We expect that our framework, by providing an objective way for
 discovering and categorizing human motion, will be a useful tool in numerous
 research fields related to Robotics including human inspired motion generation,
 learning by demonstration, and intuitive human-robot interaction.

연구 동기 및 목표

• 운동 캡처 시퀀스에서 인간의 운동 프리미티브를 객관적이고 데이터 기반의 방법으로 발견하기 위해 개발한다.
• 해부학적 차이와 샘플링 레이트의 다양성을 보완하기 위해 운동 프리미티브를 기하학적으로 정규화한다.
• 기하학적 특성을 기반으로 비모수적 베이지안 모델을 사용하여 운동 프리미티브를 인식한다.
• 기존 운동 캡처 데이터셋에서 유도된 인간의 운동 프리미티브 공개 데이터셋을 구축한다.
• 학습에서의 모방, 운동 생성, 그리고 직관적인 인간-로봇 상호작용을 포함한 로봇공학 분야의 애플리케이션을 지원한다.

제안 방법

• 운동 프리미티브는 관절의 집합적 운동 역학을 측정하는 '운동 유속' 메트릭을 최적화하여 발견된다.
• 비모수적 베이지안 방법을 사용하여 각 프리미티브 유형을 모델링함으로써 유연하고 데이터 기반의 표현 학습이 가능해진다.
• 운동 프리미티브의 기하학적 특성을 추출하고 이를 인식을 위한 특징으로 사용한다.
• 해부학적 차이와 다양한 데이터 샘플링 레이트에 영향을 받지 않도록 프리미티브를 정규화하는 절차를 적용한다.
• 기존의 운동 캡처 데이터셋을 활용하여 운동 시퀀스를 프리미티브 클래스로 추출하고 분류한다.
• 복제 가능성과 향후 연구를 지원하기 위해 공개 데이터셋을 구성하고 배포한다.

실험 결과

연구 질문

• RQ1 운동 캡처 데이터에서 사전 레이블링 없이 인간의 운동 프리미티브를 객관적으로 어떻게 발견할 수 있는가?
• RQ2 스켈레톤 관절의 집합적 운동 역학을 정의하는 데 가장 잘 맞는 메트릭은 무엇인가?
• RQ3 어떻게 하면 운동 프리미티브를 개인의 해부학적 차이와 데이터 샘플링 변동성에 영향을 받지 않도록 만들 수 있는가?
• RQ4 비모수적 베이지안 모델이 기하학적 특징에 기반하여 운동 프리미티브를 효과적으로 인식할 수 있는 정도는 어느 정도인가?
• RQ5 기존 운동 캡처 데이터에서 인간의 운동 프리미티브 공개 데이터셋을 구성할 수 있는가? 이는 후속 로봇공학 애플리케이션을 지원할 수 있는가?

주요 결과

• 운동 유속 최적화가 의미 있는 인간의 운동 프리미티브에 해당하는 일관된 운동 패턴을 효과적으로 식별한다.
• 비모수적 베이지안 모델이 운동 프리미티브의 분포 특성을 정확하게 포착하여 정확한 인식을 가능하게 한다.
• 기하학적 정규화가 신체 비율과 샘플링 레이트의 변동성에 대한 강건성을 크게 향상시킨다.
• 제안된 프레임워크는 수동 레이블링 없이도 운동 프리미티브의 자동 발견과 인식을 가능하게 한다.
• 유명한 운동 캡처 데이터셋에서 유래한 인간의 운동 프리미티브 공개 데이터셋이 성공적으로 구축되었다.
• 프레임워크는 학습에서의 모방 및 인간-로봇 상호작용을 포함한 실용적 응용을 지원한다.