#麻省理工学院#绷紧肌肉就能操控无人机！MIT硬核研究：AI让你的麒麟臂变遥控器( 二 )
本文插图
用算法理解手势含义 ， 实现即插即用根据论文 ， 让机器人理解手势指令有两个好处 。 首先 ， 相比于连续运动 ， 手势有助于增加系统的稳健性；其次 ， 这种设计可以减少需要的电极数目 ， 降低了模型的复杂性 ， 增加了可部署性 。
研究人员共设计了8种手势 ， 分别是：手臂僵直、转动（分为顺时针转动和逆时针转动）、握拳（分为左手、右手、向上、向下）、手腕弯曲和伸展 。
本文插图
对于大多数手势引起的肌电信号 ， 研究人员使用自适应在线聚类算法（Online clustering for adaptive thresholding）帮助机器人理解 。
最初 ， 所有的观察结果都储存在未知缓冲区 。 几秒钟后 ， 高斯混合模型（GMMs ， Gaussian Mixture Models）会对数据流分类 ， 并将其添加到相应的滚动缓冲区中 。
相比于离线训练方法 ， 自适应在线聚类算法不储存所有的历史数据 ， 不需要大量的校准、训练过程 ， 可以做到即插即用 。 高斯混合模型（GMMs ， Gaussian Mixture Models）会持续更新 ， 聚类数据流并创建自适应阈值 。 这样 ， 系统就可以适应不同用户的使用习惯 。
对于那些很难用自适应阈值来描述的手势（在上、下、左、右四个方向上的握拳动作） ， 研究人员用一个神经网络来帮助系统理解 。 这个神经网络用过去收集的一些受试者数据进行训练 。
通过这两种方法 ， 最终每个集群的训练池中都包含至少25%的手势 。 使用固定的覆盖率有助于保持原有的手势分类 。
本文插图
本文插图
测试1200次 ， 分类器识别准确率达97.6%在测试阶段 ， 研究人员按照这样的顺序给出指令：转动 ， 手臂僵直 ， 向上、下、右握拳 ， 向左握拳 。 分类器优先按照最近0.2s内检测到的手势做出反应 ， 其次按照根据肌电信号预测到的运动意图做出反应 。
研究人员安排6名参与者做出1200次命令手势 ， 以此评估分类器的性能和界面效率 。 根据统计结果 ， 分类器对手势动作的识别准确率达到97.6% 。
本文插图
▲分类器分类准确率
根据肌电信号预测运动意图方面 ， 分类器对于向上握拳的预测准确率最高 ， 达到100%；对向左握拳的预测准确率最低 ， 为80% 。
本文插图
▲分类器预测准确率
另外 ， 研究人员把这个系统应用于一个Parrot Bebop 2无人机 。 该无人机尺寸大约为35*43cm ， 重500g 。 在119分钟的飞行时间中 ， 测试人员随机做出1535个命令手势 ， 无人机在81.6%的情况下做出了正确反应 。
本文插图
本文插图
结语：未来机器人或能识别更多手势麻省理工学院计算机科学与人工智能实验室的研究团队设计出的“行为控制机器人”系统有效提升了人机交互的效率 。 论文中写道：“（我们）提出的方法在改善真实场景中的人机协作方面迈出了一步 。 这种协作越来越普及 ， 会带来更多效益 。 ”
研究人员表示将继续研究 ， 致力于使机器人理解更多手势 ， 并尝试提升传感器性能 ， 捕捉到更精细的肌电活动 。
推荐阅读
- cnBeta|麻省理工学院科学家们改进了软机械手的感知能力
- 太平洋电脑网|麻省理工学院开发海洋搜救算法有寻找失踪物体和人员
- |用肌肉动作控制电子设备？麻省理工的科学家们已经在尝试了 | 硬科技
- 『生命』麻省理工：生命可在100%的纯氢中生存，找外星生命更容易了！
- 【加州理工学院】研究：用纳米光学腔实现量子网络传输
- 『搜狐新闻』麻省理工用“肌肉信号”控制无人机，握紧拳头精准穿过3个小环
- 「cnBeta」麻省理工学院开发系统 使用肌肉信号控制无人机
- 人工智能■训练神经网络碳排放是开车5倍 麻省理工的新系统可以降到3位数
- 「」迁移学习怎么发生？麻省理工新研究：记忆细胞解释发生的新情况