Correlated space formation for human whole-body motion primitives and descriptive word labels

تکنولوژی جذب حرکت بهبود یافته است و به طور گسترده ای برای تجزیه و تحلیل حرکت و سنتز در زمینه های مختلف مانند رباتیک، انیمیشن، توانبخشی و مهندسی ورزش استفاده می شود. مقدار زیادی از داده های انسانی دستگیر شده در حال جمع آوری است. این داده ها از داده های پیش داده شده باید استفاده شود تا تجزیه و تحلیل حرکت و سنتز کارآمد تر باشد. بازیابی یک داده حرکت مشخص شده یک روش اساسی برای استفاده مجدد است. چارچوب یادگیری تقلید در روباتیک توسعه داده شده است، که در آن داده های اولیه حرکت به پارامترهای مدل های تصادفی یا سیستم های دینامیکی کدگذاری می شوند. ما همچنین در حال تحقیق در مورد رمزگذاری داده های اولیه حرکتی به مدل های پنهان مارکوف، که به عنوان نماد حرکت اشاره شده اند، و با هدف ادغام نمادهای حرکت با زبان، انجام می شود. روابط بین حرکات و کلمات در زبان طبیعی همه جانبه و قدرتمند خواهد بود تا یک رابط مفید برای استفاده مجدد از داده های حرکت فراهم کند. در این مقاله، ما یک فضای نمادهای حرکت برای جنبش های تمام بدن انسان و یک فضای برچسب های کلمه اختصاص داده شده به آن جنبش ها ایجاد می کنیم. از طریق تجزیه و تحلیل همبستگی کانونی، این فضاها بازسازی می شوند به طوری که یک رابطه قوی میان جنبش ها و برچسب های کلمه شکل گرفته است. این فضاها منجر به یک روش برای جستجوی داده های حرکت از پرس و جو از برچسب های کلمه می شود. ما رویکرد پیشنهادی ما را در مورد دادههای حرکتی بدن انسان دستگیر کردیم و اعتبار آن نشان داده شد. رویکرد ما به عنوان یک روش اساسی برای استخراج حرکات لازم از پایگاه داده و استفاده مجدد از آنها عمل می کند.