Einen Schritt voraus: Erkennung ungewöhnlicher menschlicher Bewegungen
Einen Schritt voraus: Erkennung ungewöhnlicher menschlicher Bewegungen
Projekt von: Alaa Elshorbagy, Vincent von Zitzewitz, and Jonas Voßemer
QualityMinds GmbH bietet Dienstleistungen in den Bereichen Qualitätssicherung und Testing für Software- und maschinelle Lernsysteme an. Sie sind auf Software Engineering, Requirements Engineering, maschinelles Lernen und KI-Testing spezialisiert, einschliesslich des Testens von Modellen für maschinelles Lernen im Bereich des autonomen Fahrens.
Im Rahmen eines Projekts mit QualityMinds hatten unsere Studierenden die Möglichkeit, die faszinierende Welt der Vorhersage menschlicher Bewegungen zu erkunden. Die Vorhersage menschlicher Bewegungen beinhaltet das Prognostizieren zukünftiger menschlicher Bewegungen basierend auf einer zeitlichen Abfolge einer gegebenen Körperposition und kürzlicher Bewegungen. QualityMinds nutzt fortschrittliche Deep Neural Networks, wie z.B. Graph Convolution Networks, um die Handlungen einer Person vorherzusagen, bis zu eine Sekunde in die Zukunft. Einige Aktionen waren jedoch schwer genau vorherzusagen, was zur Entwicklung dieses Projekts führte.
Das Hauptziel bestand darin, Anomalien in menschlichen Bewegungen zu quantifizieren, da diese ungewöhnlichen Bewegungen Herausforderungen für die Vorhersagemodelle darstellen. Um dies zu erreichen, nutzten Alaa, Vincent und Jonas das Human 3.6M-Datenset, das 3,6 Millionen Sequenzen menschlicher Bewegungsaktionen enthält.
Sie setzten dann vier verschiedene Modelle zur Ausreissererkennung ein, die jeweils eine einzigartige Perspektive auf die Identifikation von auffälligen Bewegungen boten. Zur Validierung ihrer Ergebnisse verglichen die Studierenden die Vorhersagefehler der Modelle zur Vorhersage menschlicher Bewegungen mit den identifizierten Ausreissern. Durch diesen Vergleich konnten sie einen direkten Zusammenhang zwischen Ausreissern und fehlgeschlagenen Bewegungsprognosen aufzeigen.
Zusammenfassend hat unsere Zusammenarbeit mit QualityMinds ihnen Werkzeuge zur Verbesserung der Vorhersage menschlicher Bewegungen für autonomes Fahren und andere Anwendungen bereitgestellt. Durch die Integration von Informationen über identifizierte Ausreißer kann QualityMinds die Genauigkeit der in der Mensch-Roboter-Interaktion und in autonomen Systemen verwendeten Bewegungsprognosemodelle verbessern, was eine sicherere und effizientere Zukunft für alle sicherstellt. Zukünftig plant das Team, diese Erkenntnisse auszuweiten, indem sie auf andere öffentliche Datensätze verallgemeinert werden.
Alaa, Vincent und Jonas sind stolz darauf, Teil dieses Projekts gewesen zu sein, und freuen sich darauf, den Einfluss ihrer Arbeit im Bereich der autonomen Technologie zu sehen.
Im Rahmen eines Projekts mit QualityMinds hatten unsere Studierenden die Möglichkeit, die faszinierende Welt der Vorhersage menschlicher Bewegungen zu erkunden. Die Vorhersage menschlicher Bewegungen beinhaltet das Prognostizieren zukünftiger menschlicher Bewegungen basierend auf einer zeitlichen Abfolge einer gegebenen Körperposition und kürzlicher Bewegungen. QualityMinds nutzt fortschrittliche Deep Neural Networks, wie z.B. Graph Convolution Networks, um die Handlungen einer Person vorherzusagen, bis zu eine Sekunde in die Zukunft. Einige Aktionen waren jedoch schwer genau vorherzusagen, was zur Entwicklung dieses Projekts führte.
Das Hauptziel bestand darin, Anomalien in menschlichen Bewegungen zu quantifizieren, da diese ungewöhnlichen Bewegungen Herausforderungen für die Vorhersagemodelle darstellen. Um dies zu erreichen, nutzten Alaa, Vincent und Jonas das Human 3.6M-Datenset, das 3,6 Millionen Sequenzen menschlicher Bewegungsaktionen enthält.
Sie setzten dann vier verschiedene Modelle zur Ausreissererkennung ein, die jeweils eine einzigartige Perspektive auf die Identifikation von auffälligen Bewegungen boten. Zur Validierung ihrer Ergebnisse verglichen die Studierenden die Vorhersagefehler der Modelle zur Vorhersage menschlicher Bewegungen mit den identifizierten Ausreissern. Durch diesen Vergleich konnten sie einen direkten Zusammenhang zwischen Ausreissern und fehlgeschlagenen Bewegungsprognosen aufzeigen.
Unser Projekt lieferte drei Hauptergebnisse, die alle darauf abzielten, die Bewegungsprognosefähigkeiten von QualityMinds zu verbessern:
- Ausreissererkennungs-App: Ein interaktives Tool zur flexiblen Analyse von Ausreissersequenzen.
- Validierungs-App für Ausreisser: Ein Tool, das darauf ausgelegt ist, Korrelationen zwischen dem Anomaliegrad (Präzisionsscore) einer Bewegungssequenz und ihrem Vorhersagefehler zu finden.
- Kinematisches Vergleichs-Toolkit: Ein Toolkit zum Vergleichen und Visualisieren von In- und Ausreissern bei spezifischen Aktionen, wie Gehen oder Essen, basierend auf kinematischen Schlüsselmerkmalen wie Gelenkgeschwindigkeit und Beschleunigung.
Zusammenfassend hat unsere Zusammenarbeit mit QualityMinds ihnen Werkzeuge zur Verbesserung der Vorhersage menschlicher Bewegungen für autonomes Fahren und andere Anwendungen bereitgestellt. Durch die Integration von Informationen über identifizierte Ausreißer kann QualityMinds die Genauigkeit der in der Mensch-Roboter-Interaktion und in autonomen Systemen verwendeten Bewegungsprognosemodelle verbessern, was eine sicherere und effizientere Zukunft für alle sicherstellt. Zukünftig plant das Team, diese Erkenntnisse auszuweiten, indem sie auf andere öffentliche Datensätze verallgemeinert werden.
Alaa, Vincent und Jonas sind stolz darauf, Teil dieses Projekts gewesen zu sein, und freuen sich darauf, den Einfluss ihrer Arbeit im Bereich der autonomen Technologie zu sehen.
QualityMinds
QualityMind team sagt:
Wir sind äußerst beeindruckt von der Arbeit, die Alaa Elshorbagy, Vincent von Zitzewitz und Jonas Voßemer in Zusammenarbeit mit QualityMinds geleistet haben. Ihr innovativer Ansatz zur Erkennung ungewöhnlicher menschlicher Bewegungen hat unser Verständnis für die Vorhersage von menschlichen Bewegungen erheblich erweitert. Die von ihnen entwickelten Tools und Erkenntnisse, insbesondere die Apps zur Erkennung und Validierung von Ausreißern, haben unsere Fähigkeit, Anomalien zu identifizieren und zu bewältigen, verbessert und die Genauigkeit unserer Bewegungsprognosemodelle direkt gesteigert. Ihr Engagement und ihre Expertise haben nicht nur wertvolles Wissen im Bereich der autonomen Technologie beigetragen, sondern auch unser Bestreben gestärkt, sicherere und zuverlässigere Lösungen anzubieten. Wir freuen uns darauf, die fortgesetzten Auswirkungen ihrer herausragenden Arbeit zu sehen.
