.png){kind=icon}
返回
Unsupervised Work Behavior Pattern Extraction Based on Hierarchical Probabilistic Model
.png){kind=icon}
OA
AI
DOI：10.1002/tee.70181.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究中，我们针对在高混低量生产环境中分析工人行为所面临的挑战展开研究，传统监督学习方法由于缺乏标注数据和工人任务间的差异性而难以应对。为解决这些问题，我们提出了一种新颖的层次化方法，利用高斯过程-隐半马尔可夫模型和隐半马尔可夫模型进行无监督行为模式提取。与现有聚焦于人类动作聚类的研究不同，我们的方法将复杂运动数据分割为有意义的动作单元和任务，从而实现对工人行为的更深层次理解。该两层概率生成模型无需在标注数据集上进行预训练即可执行分割，这在动态工业场景中具有优势。实验采用来自三名参与装配任务的工人的六维时序手腕运动时序数据表明，与基线方法相比，我们的方法显著提高了分割精度。结果表明，该方法在识别不同行为模式方面具有有效性，突显了其在工业环境中推动基于机器学习的工作分析方面的潜力。(c) 2025 The Author(s). IEEJ Transactions on Electrical and Electronic Engineering published by Institute of Electrical Engineers of Japan and Wiley Periodicals LLC.
Keyword:
behavior analysis
Gaussian process
hidden semi-Markov model
probabilistic generative model
unsupervised segmentation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
1.1
论文数:
244
被引数:
1.8K
机构
引用论文
.png){kind=icon}
分享收藏SERKET: An Architecture for Connecting Stochastic Models to Realize a Large-Scale Cognitive ModelOAAI
OAAI分享收藏分享收藏
查看更多内容