Τεχνητό Νευρωνικό Δίκτυο για ανίχνευση των ποδιών του ανθρώπου και εκτίμηση της κατάστασης βάδισης από ρομποτικό περιπατητήρα μέσω αισθητήρων 2D LiDAR.

Ευσταθίου, Δανάη; Efstathiou, Danai

dc.contributor.author	Ευσταθίου, Δανάη
dc.contributor.author	Efstathiou, Danai
dc.date.accessioned	2022-02-23T07:31:12Z
dc.date.available	2022-02-23T07:31:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54803
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22501
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ανάλυση Βάδισης	el
dc.subject	Παρακολούθηση Ποδιών	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	CNN	el
dc.subject	LSTM	el
dc.subject	Ρομποτικοί Περιπατητήρες	el
dc.title	Τεχνητό Νευρωνικό Δίκτυο για ανίχνευση των ποδιών του ανθρώπου και εκτίμηση της κατάστασης βάδισης από ρομποτικό περιπατητήρα μέσω αισθητήρων 2D LiDAR.	el
dc.title	Deep Neural Network for Human Gait Tracking and Analysis using a 2D LiDAR on a Robotic Rollator	en
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Ρομποτική	el
heal.classification	Artificial Intelligence	en
heal.classification	Robotics	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-09-22
heal.abstract	Η ανίχνευση των ποδιών του ανθρώπου και η ανάλυση της βάδισής του αποτελούν σημαντικές λειτουργίες για ένα ρομπότ υποβοήθησης βάδισης, όπως οι ευφυείς περιπατητήρες. Τέτοιου είδους περιπατητήρες είναι εξοπλισμένοι με πλήθος αισθητήρων, προκειμένου να εξαγάγουν πληροφορίες που αφορούν στον άνθρωπο που τους χειρίζεται και να προσαρμόσουν την λειτουργία τους στις ανάγκες αυτού. Σε αυτή την διπλωματική εργασία παρουσιάζουμε την ανάπτυξη του τεχνητού νευρωνικού δικτύου LTGADnet, το οποίο ανιχνεύει και παρακολουθεί την θέση των ποδιών του ανθρώπου κατά την διάρκεια της βάδισης, ενώ επίσης εκτιμά την κατάσταση της βάδισής του σε πραγματικό χρόνο, χρησιμοποιώντας δεδομένα από αισθητήρα απόστασης στις δύο διαστάσεις, τοποθετημένο σε ρομποτικό περιπατητήρα. Το νευρωνικό δίκτυο χρησιμοποιεί ένα Convolutional Neural Network (CNN) για την εξαγωγή των κέντρων των ποδιών από τα δεδομένα του αισθητήρα απόστασης, τα οποία δεδομένα αναπαρίστανται ως occupancy maps. Το CNN συνδυάζεται με ένα Long Short Term Memory (LSTM) νευρωνικό δίκτυο για την εκμάθηση των δυναμικών χαρακτηριστικών των ποδιών κατά την βάδιση, βελτιώνοντας την ανίχνευση που παράγει το CNN, ακόμα και σε περιπτώσεις που τα πόδια δεν είναι ορατά για κάποιο χρονικό διάστημα. Ακόμα, ένα δεύτερο LSTM εκτιμά την κατάσταση της βάδισης, δεχόμενο ως είσοδο τα ανιχνευμένα κέντρα των ποδιών. Το LTGADnet εκπαιδεύτηκε και δοκιμάστηκε σε δεδομένα εξαγμένα από πραγματικούς ασθενείς χειριζόμενους ευφυείς περιπατητήρες, καθώς και σε τεχνητά δεδομένα προσομοίωσης της βάδισης. Η επίδοσή του είναι σημαντικά υψηλότερη σε σχέση με την τρέχουσα χρησιμοποιούμενη μέθοδο, βελτιώνοντας τόσο την ακρίβεια της ανίχνευσης, όσο και τον χρόνο παραγωγής αυτής, καθιστώντας το συγκεκριμένο νευρωνικό δίκτυο μια ανταγωνιστική μέθοδο ανίχνευσης ποδιών σε πραγματικό χρόνο.	el
heal.advisorName	Τζαφέστας, Κωνσταντίνος
heal.committeeMemberName	Μαραγκός, Πέτρος
heal.committeeMemberName	Ποταμιάνος, Αλέξανδρος
heal.committeeMemberName	Τζαφέστας, Κωνσταντίνος
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	78
heal.fullTextAvailability	false