Motion Classification of Objects using Accelerometer and Gyroscope Readings
Notice bibliographique
Résumé
It can be challenging to properly analyze data from moving objects when there is limited information about the conditions under which the data was collected. The focus of this research is to use accelerometer and gyroscope data as the input to machine learning models to accurately classify data points based on the movement of the object within its environment. Three machine learning models were implemented and tested: a Hidden Markov Model (HMM), a Random Forest Model (RF), and a Multilayer Perceptron Model (MLP). The majority of the data collected via a simulated environment in Gazebo was used to train all three models. The simulated experiments involved a Jackal Robot from Clearpath Robotics driving on three terrains — flat ground and up and down a ramp with a 7-degree slope — that match the classification states. The simulation data was manually classified based on the delta values between orientation data. The models were tested using the remaining 20% of simulated data, data from a physical Jackal, and data from haul trucks working in an open-pit mine. The HMM is based on unsupervised learning which meant that the pre-classified datapoints were not useful in training the model. This model was ineffective at classifying the datapoints because the probabilities of the classification changing from one datapoint to the next were situationally skewed, so it was highly improbable that the state changed between datapoints. Due to the inability of this model to classify the simulated data, no further testing was completed. The RF model was able to classify the simulated data with 99.78% accuracy and the MLP model classified the simulated data with 99.73% accuracy. The RF model and the MLP model require noisier training data to accurately classify real-world data. Further testing is currently being conducted using data from a physical Jackal and haul trucks.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».