Inkrementales Online-hierarchisches Clustering von Bewegungsmustern des ganzen Körpers

In diesem Papier wird ein neuartiger Algorithmus für das autonome und inkrementelle Lernen von Bewegungsmuster-Primitiven durch Beobachtung menschlicher Bewegung beschrieben. Menschliche Bewegungsmuster werden in eine Darstellung des verborgenen Markov-Modells abstrahiert, die sowohl für die anschließende Bewegungswiedererkennung als auch für die -generierung verwendet werden kann, analog zur Spiegelneuron-Hypothese bei Primaten. Wenn neue Bewegungsmuster beobachtet werden, werden sie inkrementell gruppiert, basierend auf ihrem relativen Abstand im HMM-Raum, mithilfe von hierarchischem agglomerativem Clustering. Der Clustering-Algorithmus bildet eine Baumstruktur, wobei spezialisierte Bewegungen an den Blättern des Baumes und verallgemeinerte Bewegungen näher zur Wurzel zu finden sind. Die generierte Baumstruktur hängt von der Art der bereitgestellten Trainingsdaten ab, sodass die am meisten spezialisierten Bewegungen die sind, für die das meiste Training erhalten wurde. Tests mit Motion-Capture-Daten für eine Vielzahl von Bewegungsprimitiven zeigen die Wirksamkeit des Algorithmus.