<< TOPへ
Summary of the Bento Packaging Activity Recognition Challenge
・人間行動認識(HAR)はとても重要だけど、産業のデータはあまりない。ということで、お弁当をつめるモーションキャプチャのデータセットを用意して、弁当梱包活動を認識するチャレンジを実施。2021年。
・データ無いから作った。弁当を詰めることを題材にしよう、それなりにいい感じの結果がでたじゃん！って学生らしいノリが感じられてよい。
・10種類のパターン認識であるのでランダムだったら1割の正解率であるところ64%というのはGood。
・アンサンブル学習、ランダムフォレスト、Leave-one-out交差検証を使用。
Summary of the Bento Packaging Activity Recognition Challenge
・人間行動認識(HAR)はとても重要だけど、産業のデータはあまりない。ということで、お弁当をつめるモーションキャプチャのデータセットを用意して、弁当梱包活動を認識するチャレンジを実施。2021年。
・データ無いから作った。弁当を詰めることを題材にしよう、それなりにいい感じの結果がでたじゃん！って学生らしいノリが感じられてよい。
・10種類のパターン認識であるのでランダムだったら1割の正解率であるところ64%というのはGood。
・アンサンブル学習、ランダムフォレスト、Leave-one-out交差検証を使用。
---
```mermaid
graph LR
A[Bento Packaging Activity Recognition Challenge] --> B(はじめに)
A --> C(データセット)
A --> D(チャレンジ内容と結果)
A --> E(まとめと今後の展望)
B --> F[人間ロボットコラボレーションにおける人間活動認識の重要性]
B --> G[弁当箱詰め作業中の活動認識チャレンジの開催目的]
C --> H[4人の被験者による10種類の弁当詰め作業のモーションキャプチャデータを提供]
C --> I[上半身の13個のマーカーデータを使用]
D --> J(7チームが参加し、精度で評価)
D --> K(手法の内訳：機械学習5チーム、アンサンブル1チーム、深層学習1チーム)
D --> L(最高精度はアンサンブルモデルを用いたチームが64%)
D --> M(同じ動作の向きの違いによる誤認識や小さなデータセットでの性能向上などが課題)
E --> N[課題解決に向けて、協働ロボットとのデータ収集と若手研究者へのデータ提供により研究を加速]
F --> O[ライフスタイルの向上により低賃金の労働力確保が困難になっている]
F --> P[ロボットを人間のアシスタントとして活用するには、人間の行動を理解する必要がある]
G --> Q[人間とロボットのインタラクションを直感的にするために、弁当箱詰め作業中の活動認識チャレンジを開催]
H --> R[活動は内向きと外向きの2パターンで実施]
H --> S[各活動は5回ずつ収集]
I --> T[実験中、被験者は主に上半身を使って活動を行っていた]
I --> U[16個のマーカーを除外しても精度に大きな変化はなかった]
J --> V[参加チーム数は当初22チームから最終的に7チームに]
K --> W[Pythonを使用したチームが多数]
K --> X[ランダムフォレストアルゴリズムを使用したチームが複数]
L --> Y[アンサンブルモデルを用いたチームが各活動のF1スコアが高かった]
M --> Z[動作の向きの違いによる誤認識や小さなデータセットでの性能向上などが課題として挙げられた]
```