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.
