Application De L’apprentissage Machine Pour La Reconnaissance Des Activités Humaines

Résumé: La reconnaissance des activités humaines(RAH)constitue une tâche clé pour une Interaction Homme robot intelligente et intuitive. En effet, dans un scénario d'interaction sociale entre un robot et un humain, le robot doit pouvoir détecter les humains, les poursuivre, les guider, et aussi reconnaitre leurs gestes et leurs actions liés à cette interaction. Le travail demandé concerne l'application des techniques d'apprentissage machine (Machine learning) pour reconnaitre les activités des humains afin d'inférer leurs intentions et de les aider à atteindre leurs objectifs. Pour cela nous avons implémenté une solution de classification basée essentiellement sur des méthodes existantes, connues pour leur efficacité en reconnaissance des activités humaines Cette dernière est basée sur les classifieurs suivants Machine a vecteur support (SVM), K plus proches voisins (KNN) et Arbre de décision (Decision Tree). Ces algorithmes ont été implémentés et testés sur plusieurs DataSets dans le but de les intégrer en temps réel sur le robot B12r du CDTA. Ensuite, pour permettre une meilleure généralisation des modèles générées par les algorithmes cités ci-dessus, nous avons implémenté un descripteur discriminant basé sur l’histogramme des vecteurs de déplacement, permettent de classifier les activités de manière plus correcte. Nous allons présenter en temps réel sur le robot B12r l’implémentation des algorithmes de Machine Learning. Mots-clés : Reconnaissance d’activités humaines, Apprentissage machine, Robotique, Classification de données. Human Activity Recognition (RAH) is a key task for intelligent and intuitive robot human interaction. Indeed, in a scenario of social interaction between a robot and a human, the robot must be able to detect humans, pursue them, guide them, and recognize their actions and activities related to this interaction. The work involved is the application of machine learning techniques to recognize human activities in order to infer their intentions and help them to achieve their goals. For this, we have implemented a classification solution based essentially on existing methods, known for their effectiveness in recognizing human activities The latter is based on the following classifiers Support Vector Machine (SVM), K nearest neighbors (KNN) and DecisionTree (TREE).These algorithms have been implemented and tested on several datasets for the purpose of integrated in real time on the CDTA robot. Then, to allow a bette rgeneralization of the models generated by the algorithms mentioned above, we implemented a discriminant descriptor to classify the activities in a more correct way We will present in real time on the robot B12r the algorithms of Machine Learning. Keywords: Recognition of human activities, Machine learning, Robotics, Data classification.

Publié dans la revue: