Αναγνώριση Καθηκόντων Χειριστή στο Επίπεδο Παραγωγής μέσω Αλγορίθμων Βαθιάς Μηχανικής Μάθησης - Human Activity Recognition in Production Line via Deep Learning Algorithms

Abstract

Η παρούσα εργασία μελετά την αναγνώριση των ανθρώπινων δραστηριοτήτων (Human Activity Recognition - HAR) στο επίπεδο παραγωγής, έτσι ώστε να επιτευχθεί αποτελεσματικά η συνεργασία ενός χειριστή με έναν οποιοδήποτε ρομποτικό μηχανισμό. Η συγκεκριμένη μελέτη παρουσιάζει αρκετές δυσκολίες, καθώς η χρονική διάρκεια των κινήσεων που εκτελεί ένας χειριστής διαφέρει και επιπλέον ο ρυθμός με τον οποίο πραγματοποιεί μία κίνηση δεν παραμένει σταθερός. Για τη μελέτη λοιπόν του συγκεκριμένου προβλήματος ένα smartphone προσδένεται στον καρπό 2 χειριστών, οι οποίοι στη συνέχεια πραγματοποιούν επαναληπτικά ένα μεγάλο αριθμό πειραμάτων εξετάζοντας 5 συγκεκριμένες κινήσεις. Οι κινήσεις αυτές είναι αρκετά δύσκολα διαχωρίσιμες μεταξύ τους και επιπλέον δε διαφέρουν αισθητά από άλλες συνήθεις κινήσεις μη ενδιαφέροντος που ένας εργαζόμενος μπορεί να εκτελεί.

Για τον επιτυχή διαχωρισμό των 5 εξεταζόμενων κινήσεων επιστρατεύονται 2 διαφορετικά είδη νευρωνικών δικτύων. Αρχικά, τα σήματα των πειραμάτων τροφοδοτούνται στα δίκτυα των αυτοκωδικοποιητών με σκοπό τη συμπίεση των δεδομένων αυτών και την κατάλληλη εξαγωγή χαρακτηριστικών. Οι αυτοκωδικοποιητές που χρησιμοποιούνται αποτελούν καινοτόμες τεχνικές συμπίεσης δεδομένων, οι οποίες μελετώνται διεξοδικά από αρκετούς ερευνητές το τελευταίο διάστημα. Στη συνέχεια, τα χαρακτηριστικά αυτά τροφοδοτούνται στο τελευταίο επίπεδο ενός δικτύου χρονοσειρών LSTM, το οποίο εκπαιδεύεται για τον αποτελεσματικό διαχωρισμό των εξεταζόμενων κινήσεων. Με τον τρόπο αυτό, παρόλο που μέσα από τη μη παραμετρική ανάλυση των σημάτων δυσχεραίνεται ο άμεσος διαχωρισμός των κινήσεων, η χρήση νευρωνικών δικτύων διευκολύνει τη διαδικασία αυτή αγγίζοντας πολύ υψηλά ποσοστά σωστής ταξινόμησης.

Τέλος, αντικείμενο της παρούσας εργασίας αποτελεί η μελέτη των σημάτων μακράς διάρκειας (ΣΜΔ). Τα σήματα αυτά αποτελούν χρονοσειρές πολύ μεγαλύτερης διάρκειας από αυτές των 5 εξεταζόμενων κινήσεων και επιπλέον περιλαμβάνουν αρκετό θόρυβο λόγω της ύπαρξης χρονικών περιόδων από δραστηριότητες μη ενδιαφέροντος. Για το λόγο αυτό προτείνεται μία νέα μεθοδολογία, η οποία συνδυάζει τα 2 είδη εκπαιδευμένων νευρωνικών δικτύων που αναφέρθηκαν προηγουμένως, με σκοπό την αναγνώριση των επιθυμητών κινήσεων εντός των σημάτων μακράς διάρκειας σε πραγματικό χρόνο. Βέβαια, θα πρέπει να τονισθεί ότι η συγκεκριμένη μεθοδολογία παρουσιάζεται για πρώτη φορά και μπορεί να χρησιμοποιηθεί σε οποιαδήποτε εφαρμογή συνεργασίας χειριστή-ρομπότ η οποία πραγματοποιείται με χρήση σημάτων από αισθητήρες.