STROJNO UČENJE PRI NAČRTOVANJU ALGORITMOV ZA RAZPOZNAVANJE

TIPOV GIBANJA

Rok Piltaver

Institut "Jožef Stefan", Odsek za inteligentne sisteme

Informacijska družba 2008

16.10.2008, Ljubljana, Slovenija

Potek predstavitve

Uvod

Kako omiliti šum

Atributi

Odkrivanje zakonitosti

Rezultati

Povzetek

Uvod

Motivacija in zastavljena naloga

Sistemi za lociranje v realnem času (RTLS)

Ubisense RTLS

Gibanje - mirovanje

Kako omiliti šum

Atributi

Odkrivanje zakonitosti

Rezultati

Povzetek

Motivacija in zastavljena naloga

Motivacija:

RTLS sistemi postajajo vse cenejši.

Dostopnejše različice so nenatančne.

Potrebujemo robustne algoritme.

Težko je izdelati optimalen algoritem.

Zastavljena naloga:

Projekta PDR in Confidence potrebujeta primitivne rutine za razpoznavanje tipov gibanja (hodi, sedi, teče, leži, ...).

Potrebujemo algoritem za ločevanje med gibanjem in mirovanjem, ki deluje tudi pri natančnosti meritev ± 15 cm.

Sistemi za lociranje v realnem času (RTLS)

Sistemi za lociranje v realnem času - Real Time Location System -omogočajo lociranje objektov v 2D ali 3D prostoru v realnem času.

Razlikujejo se po:

Tehnologiji: Ultra-wideband, Wi-Fi, optična, infrardeča, ultrazvočna, z žiroskopi in pospeškomeri, idr.

Natančnosti: od ± 1 mm do ± 10 m

Frekvenci osveževanja: od 0,1 Hz do 60 Hz

Ceni: od 2.000 € do 100.000 €

Področju delovanja: od nekaj m2 do nekaj sto m2

Zanesljivosti

Velikosti in teži značk in senzorjev

Raznih omejitev za delovanje (vidna linija, napajanje)...

Ubisense RTLS

Tehnologija: Ultra-wideband

Natančnost: ± 15 cm

Frekvenca osveževanja: max 9 Hz

Cena: 12.000 €

Področje delovanja: od 5 x 5 m do 30 x 30 m

Ne potrebuje vidne linije, baterije zadostjejo za več let.

Razmeroma majhne in nemoteče značke.

Zahteva natančno kalibracijo.

Natančnost je na robu uporabnosti.

Gibanje - mirovanje

1.65

1.75

4.20 4.30 4.40

m

m

0.8

1.8

1.3 2.3 3.3 4.3

m

m

Šum je dovolj velik, da je težko ločiti mirovanje od gibanja.

Povprečna hitrost med mirovanjem je >22 cm/s.

Do 3% meritev ima veliko napako (>40 cm).

Uvod

Kako omiliti šum

Filtriranje

Povprečenje

Daljši vektorji

Več vektorjev

Atributi

Odkrivanje zakonitosti

Rezultati

Povzetek

Kako omiliti šum 1

V 1-3% meritvah se pojavi velika napaka.

Če vema kako gibanje opazujemo (hitrost, pospešek) lahko filtriramo take napake.

Napačne meritve nadomestimo z interporiranimi vrednostmi.

1.40

1.60

1.80

2.00

2.20

2.40

2.60

2.80

3.00

3.20

3.40

2.70 2.90 3.10 3.30 3.50 3.70 3.90 4.10 4.30

m

m

Kako omiliti šum 2

Položaj določimo kot uteženo vsoto položaja treh zaporednih meritev Ti -1, Ti in Ti +1, posebej za koordinati x in y.

Optimalno vrednost konstante w določimo s strojnim učenjem.

1.60

1.80

2.00

2.20

2.40

4.20 4.40 4.60

m

m

Kako omiliti šum 2

Položaj določimo kot uteženo vsoto položaja treh zaporednih meritev Ti -1, Ti in Ti +1, posebej za koordinati x in y.

Optimalno vrednost konstante w določimo s strojnim učenjem.

1.60

1.80

2.00

2.20

2.40

4.20 4.40 4.60

m

m

izmerjene

povprečene

Kako omiliti šum 3

Namesto vektorjev premika med dvema zaporednima meritvama Ti in Ti +1 upoštevamo vektorje med meritvami, ki so dlje narazen (Ti in Ti +n ).

V tem primeru je razmerje med šumom in dejansko razdaljo ugodnejše.

Tudi konstanto n določimo s pomočjo strojnega učenja.

Kako omiliti šum 4

Izberemo število zaporednih vektorjev premika N (oz. število meritev položaja zmanjšano za n + 2) iz katerih izračunamo atribute.

Premajhen N => premajhna zanesljivost ciljnega algoritma

Prevelik N => večja zakasnitev algoritma

Primer: M = N + n + 2 = 6, n = 2, N = 2.

Uvod

Kako omiliti šum

Atributi Hitrost

Pot

Kot

Odkrivanje zakonitosti

Rezultati

Povzetek

Hitrost

Ob mirovanju je hitrost blizu 0.

Ob gibanju je hitrost konstantna.

Povprečna hitrost:

Vsota razlik hitrosti:

Standardni odklon hitrosti:

Pot

Pot ob mirovanju je blizu 0.

Pot med gibanjem je daljša – razlika tudi ob počasnem gibanju.

Na začetku in koncu poti se lahko nahaja na isti točki.

Pot računamo kot vsoto razdalj med prvo in srednjo ter srednjo in zadnjo točko:

d (T1,T2) evklidska razdalja med točkama T1 in T2.

M = N + n +2

Ob mirovanju se smer zaradi šuma hitro spreminja.

Ob gibanju je smer bolj konstantna.

Vsota razlik kotov:

Standardni odklon kotov:

Kot

Uvod

Kako omiliti šum

Atributi

Odkrivanje zakonitosti Izbira algoritma

Izbira parametrov

Rezultati

Povzetek

Izbira algoritma za odkrivanje zakonitosti

Konstante:

w {0; 0,333; 0,5; 0,75; 1}

n {1; 4; 7; 10}

N {9; 14; 19; 24}

C4.5 max klas. točn. = 97,85%

C4.5 min klas. točn. = 96,56%

94.5

95

95.5

96

96.5

97

97.5

98

1 2 3 4 5 6 7 8 9 10

Kla

sif

ika

cij

sk

a t

očn

ost

%

Izbor konstant naivni Bayes SVM 10-NN

AdaBoost C4.5 RIPPER

Algoritmi: naivni Bayesov klasifikator, metoda podpornih vektorjev, 10-najbližjih sosedov, AdaBoost, odločitvena drevesa C4.5, odločitvena pravila RIPPER

Izbira parametrov za računanje atributov

Konstante:

w [0, 1] , korak 0,1

n [1, 9] , korak 1

N [5, 28], korak 1

optimum: N=14, n=3, w=0.5

1

3

5

7

9

90

91

92

93

94

95

96

97

98

99

100

56

78

91011

1213141516n

%

N

99-100

98-99

97-98

96-97

95-96

94-95

93-94

92-93

91-92

90-91

1

3

5

7

9

96

97

98

99

100

n

%

w

99-100

98-99

97-98

96-97

3069 učnih množic

Algoritem: C4.5

Minimalno 10 primerov v listu

10-kratno prečno preverjanje

Uvod

Kako omiliti šum

Atributi

Odkrivanje zakonitosti

Rezultati

Povzetek

Rezultati

Klasifikacijska točnost 96,6 % ob 10-kratnem prečnem preverjanju in učenju na združeni množici podatkov.

Klasifikacijska točnost 94 % na testnih podatkih.

Brez robnih primerov je klasifikacijska točnost še višja.

87 % primerov v 2 najbolj zastopanih listih z največjo čistostjo.

Pogosto je potrebno izračunati le 1 ali 2 atributa.

Maksimalno potrebujemo 3 atribute.

Vrh drevesa vedno enak.

Uvod

Kako omiliti šum

Atributi

Odkrivanje zakonitosti

Rezultati

Povzetek

Povzetek

Testni posnetki.

Grafična predstavitev in statistična obdelava.

Večje število potencialnih atributov.

Izbor algoritma za strojno učenje.

Nastavljanje parametrov.

Učenje zakonitosti v podatkih.

Implementacija algoritma za dano aplikacijo.

Hvala za pozornost.

?