Τεχνητό Νευρωνικό Δίκτυο για ανίχνευση των ποδιών του ανθρώπου και εκτίμηση της κατάστασης βάδισης από ρομποτικό περιπατητήρα μέσω αισθητήρων 2D LiDAR

Abstract

Η ανίχνευση των ποδιών του ανθρώπου και η ανάλυση της βάδισής του αποτελούν σημαντικές λειτουργίες για ένα ρομπότ υποβοήθησης βάδισης, όπως οι ευφυείς περιπατητήρες. Τέτοιου είδους περιπατητήρες είναι εξοπλισμένοι με πλήθος αισθητήρων, προκειμένου να εξαγάγουν πληροφορίες που αφορούν στον άνθρωπο που τους χειρίζεται και να προσαρμόσουν την λειτουργία τους στις ανάγκες αυτού. Σε αυτή την διπλωματική εργασία παρουσιάζουμε την ανάπτυξη του τεχνητού νευρωνικού δικτύου LTGADnet, το οποίο ανιχνεύει και παρακολουθεί την θέση των ποδιών του ανθρώπου κατά την διάρκεια της βάδισης, ενώ επίσης εκτιμά την κατάσταση της βάδισής του σε πραγματικό χρόνο, χρησιμοποιώντας δεδομένα από αισθητήρα απόστασης στις δύο διαστάσεις, τοποθετημένο σε ρομποτικό περιπατητήρα. Το νευρωνικό δίκτυο χρησιμοποιεί ένα Convolutional Neural Network (CNN) για την εξαγωγή των κέντρων των ποδιών από τα δεδομένα του αισθητήρα απόστασης, τα οποία δεδομένα αναπαρίστανται ως occupancy maps. Το CNN συνδυάζεται με ένα Long Short Term Memory (LSTM) νευρωνικό δίκτυο για την εκμάθηση των δυναμικών χαρακτηριστικών των ποδιών κατά την βάδιση, βελτιώνοντας την ανίχνευση που παράγει το CNN, ακόμα και σε περιπτώσεις που τα πόδια δεν είναι ορατά για κάποιο χρονικό διάστημα. Ακόμα, ένα δεύτερο LSTM εκτιμά την κατάσταση της βάδισης, δεχόμενο ως είσοδο τα ανιχνευμένα κέντρα των ποδιών. Το LTGADnet εκπαιδεύτηκε και δοκιμάστηκε σε δεδομένα εξαγμένα από πραγματικούς ασθενείς χειριζόμενους ευφυείς περιπατητήρες, καθώς και σε τεχνητά δεδομένα προσομοίωσης της βάδισης. Η επίδοσή του είναι σημαντικά υψηλότερη σε σχέση με την τρέχουσα χρησιμοποιούμενη μέθοδο, βελτιώνοντας τόσο την ακρίβεια της ανίχνευσης, όσο και τον χρόνο παραγωγής αυτής, καθιστώντας το συγκεκριμένο νευρωνικό δίκτυο μια ανταγωνιστική μέθοδο ανίχνευσης ποδιών σε πραγματικό χρόνο.