作者：Elaheh Motamedi , Kian Behzad等

本文探討了在嘈雜環境中利用機器學習技術進行機械臂動作識別的問題。通過使用視覺系統和深度學習模型，作者提出的方法在3x3網格環境中的井字棋游戲案例中得到驗證。實驗結果顯示，盡管存在噪聲和不確定性，作者的方法仍能夠精確地檢測關鍵點并分類機械臂的動作。這為在現實世界中具有挑戰性嘈雜環境下的機器人動作識別提供了有益的洞見。

?

讀者理解：

文章使用了預訓練的ResNet-50進行機器人臂姿態識別，然后引入了CNN用于在嘈雜環境中進行機器人臂動作識別。該方法通過使用卷積神經網絡（CNN）來提高模型在真實世界嘈雜環境中的魯棒性。

總體而言，該研究在面對噪聲和不確定性的挑戰時，采用了一種相對綜合的方法。通過結合深度學習模型和視覺系統，研究致力于提高機器人動作識別的性能，尤其是在實際場景中的復雜嘈雜環境下。

1 引言

本文介紹了機器人系統中姿態估計的關鍵問題，特別是在嘈雜環境中準確確定機器人的空間方向。使用預訓練的ResNet-50作為標準工具，提出了一種基于CNN的機器臂動作識別模型。該模型在嘈雜的時間序列中表現出色，與最新的Transformer和Rocket模型進行了比較。通過使用Franka Emika機器人臂進行實驗數據集的收集，研究為在嘈雜環境中引入最小誤差邊界的機器臂動作識別模型做出了顯著貢獻。這項研究的洞見有望為在嘈雜環境中各種應用的更可靠機器人系統的開發提供信息。

2 方法

機器人臂姿態識別：

使用J臺攝像機捕捉機器人臂的運動，每個攝像機j輸出一個視頻流V(j)，具有長度T和幀大小H×W。對每個視頻流采用預訓練的ResNet-50進行處理，以估計機器人臂在X-Y平面上隨時間的姿態，表示為A(j) ∈ RK×T，其中K是關鍵點的數量。該方法的優勢在于其對有限標記幀的有效性，這得益于ResNet-50在ImageNet上的預訓練。機器人臂動作識別：

ResNet-50模型對于每個攝像機j的輸出A(j)代表機器人臂上關鍵點隨時間演變的軌跡?？紤]到嘈雜環境可能影響A(j)，引入了一個CNN模型，該模型包含一個帶有32個濾波器的1-D卷積層，以及一個帶有64個濾波器的1-D卷積層，最后通過兩個稠密層進行動作識別。該CNN模型針對9個可能的目標類別進行動作識別，這代表了井字棋游戲中不同位置的情況。這一系列方法的核心在于將預訓練的ResNet-50用于機器人臂姿態識別，隨后引入CNN用于在嘈雜環境中進行機器人臂動作識別。該方法通過一系列卷積和池化層，以及稠密層，實現了在嘈雜環境中對機器人臂動作的魯棒識別?？傮w而言，這個方法為在具有挑戰性的嘈雜環境下進行機器人動作識別提供了有效的解決方案。

3 總結

本研究聚焦于在嘈雜環境中基于視覺的機器人動作識別，通過實時、準確地進行機器人臂的二維姿態估計。與理想環境的研究不同，我們評估了在嘈雜環境中使用Transformer和Rocket等最新神經網絡的性能。研究結果顯示，該模型在各種嘈雜環境中對機器人臂動作識別具有魯棒性。

?

?

?

審核編輯：黃飛

?