从仿人运动机器人的合成数据中持续学习
尽管体育锻炼有明显的优势，但健身专业人士的帮助并不总是可用的。在这种情况下，类人机器人可以帮助纠正不正确的技术并与用户互动。
机器人可以学习姿势和运动模式。然后它检测用户的姿势并将其与从记忆中回忆的练习进行比较。开发了一种新版本的 Grow-When-Required Network (GWR)，以便机器人可以适应多种体型。
为用户提供了引人入胜且易于理解的反馈。机器人的平板电脑反映了来自摄像头的实时视频，错误的关节位置用红色标记。虚拟化身的实验表明，所建议的方法优于 GWR 的其他变体，并且对于旋转和平移等扰动具有足够的鲁棒性。
为了检测和纠正体育锻炼，开发了具有循环连接、情景记忆和新型子节点机制的 Grow-When-Required 网络 (GWR)，以学习身体运动和姿势的时空关系。一旦进行了练习，每帧的姿势和运动信息就会存储在 GWR 中。对于每一帧，将当前姿势和运动对与 GWR 的预测输出进行比较，不仅可以反馈姿势，还可以反馈运动速度。在实际场景中，体育锻炼由物理治疗师等专家进行，然后作为 Pepper 等人形机器人的参考，对患者执行相同锻炼的情况提供反馈。然而，这种方法带来了两个挑战。第一的，GWR 还必须考虑与人形机器人的距离和用户在人形机器人的相机视野中的位置，这需要对用户在人形机器人视野中的定位具有鲁棒性。其次，由于姿势和动作都取决于原始表演者的身体测量值，因此专家的练习不能轻易用作参考。本文通过设计一种架构来解决第一个挑战，该架构允许关于视场中心的平移和旋转容差。对于第二个挑战，我们允许 GWR 根据增量数据在线增长。为了进行评估，我们创建了一个带有虚拟化身的新型运动数据集，称为 Virtual-Squat 数据集。总体，
标签：