Foot Placement Prediction for Assistive Walking by Fusing Sequential 3D Gaze and Environmental Context
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Predicting the locomotion intent of humans is important for controlling assistive robots. Previous studies have investigated assistive walking on structured terrains, but only a few studies have considered rough terrains. Human intent on rough terrains is more difficult to predict because there is a transition at every step. To predict the foot placements of humans on rough terrains, the present paper fuses sequential 3D gaze and the environmental context. The 3D gaze is assumed to be the intersection point of the line of sight as measured by an eye-tracker and the environmental point cloud as measured by an RGBD camera. The sequential 3D gaze and the environmental context are fused based on an RGBD SLAM algorithm. Then the segmented terrain that is closest to the center of sequential 3D gaze is regarded as the most possible foothold area at the next step. Six able-bodied subjects are invited to walk randomly on rough terrains. Their foot placements are labeled and compared with the predicted foot placements. Experimental results show that the proposed method can predict the foot placements of all subjects 0.5 step ahead. With environmental context and user-dependent time window, the distance error of predicting the foot placements can decrease to 0.086 m. Hence, gaze, environmental context, and time window are all important in predicting the human intent when navigating rough terrains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle