HMMs vs. CRFs para modelar dados de força de séries temporais de robôs interagindo com o ambiente?


9

Eu tenho uma série temporal de dados de força de robôs interagindo com objetos do ambiente com várias texturas. Gostaria de desenvolver modelos de várias texturas usando os dados de séries temporais para classificar as texturas em categorias suaves, ásperas, moderadas etc. Para esse fim, os Modelos Hidden Markov serão suficientes ou devo usar Campos Aleatórios Condicionais? Se eu decidir classificar em mais categorias e a distinção entre cada uma delas for muito sutil, nesse caso, qual seria uma boa escolha? Os dados de força serão suficientes para capturar todas as informações necessárias para classificar as texturas nessas categorias?

Obrigado por suas respostas :)

Respostas:


5

Com base na descrição do seu problema, o HMM (modelo generativo) e o CRF (modelo discriminativo) funcionarão. Veja esta discussão para uma explicação mais aprofundada das duas abordagens:

Qual é a diferença entre um algoritmo generativo e discriminatório?

Uma sugestão: antes de escolher um algoritmo, comece analisando cuidadosamente seus dados numéricos, com gráficos MATLAB ou similares. Se a informação é multidimensional (por exemplo, valores de força de vários sensores), pode ser que algumas dimensões (por exemplo, leituras do sensor) não contenham informações discriminativas úteis; nesse caso, comprima os dados com a Análise de componentes principais para ter recursos mais compactos durante o treinamento e a classificação.

Agora, com relação à sua pergunta:

A diferença é que os HMMs podem representar cada uma de suas classes de textura com várias variáveis ​​/ estados ocultos, capturando assim a evolução temporal interna de cada contato. Podemos dizer que o HMM modela melhor a dinâmica de "baixo nível" (intra-classe) de seus dados. Por exemplo, no seu caso, os HMMs permitirão modelar explicitamente três fases diferentes de cada aquisição de dados: (1) início do contato entre o robô e o objeto; (2) parte estável do contato; (3) fim do contato e liberação. Essas fases podem ter valores diferentes no tempo, mesmo para a mesma textura de objeto, e pode fazer sentido separá-las para melhorar os resultados da classificação.

Por outro lado, os CRFs são mais adequados para capturar as relações "de alto nível" (entre classes) de sua distribuição de dados, que são algumas vezes importantes quando a variabilidade espaço-temporal é alta ou quando os recursos de observação são muito semelhantes entre si. duas amostras pertencentes a classes diferentes.

Pessoalmente, acho os HMMs mais fáceis de usar e começaria com eles, mas sua milhagem pode variar.

Se eu decidir classificar em mais categorias e a distinção entre cada uma delas for muito sutil, nesse caso, qual seria uma boa escolha?

Nesse caso, os CRFs podem ser uma opção mais robusta (veja acima).

Os dados de força serão suficientes para capturar todas as informações necessárias para classificar as texturas nessas categorias?

Adicionar recursos visuais (aparência do objeto), especialmente se capturados com câmeras de alta resolução, pode ajudar a determinar se o objeto tem uma textura áspera ou não.


Desculpe pela resposta tardia. Seus comentários foram muito úteis. Eu já implementei HMMs e eles parecem funcionar bem. Não converti os dados em sua representação de baixa dimensão usando PCA, mas usei HMMs que podem receber dados / distribuições contínuas para evitar a perda de informações. Porém, como de qualquer maneira estou usando-o para classificação, acho que o uso de abordagens discriminativas pode fornecer melhores resultados (ainda para ver e confirmar).
Gilmour

Fico feliz em saber que os HMMs estão funcionando bem para modelar os dados do sensor de força. Eu estaria interessado em saber mais sobre isso.
Giovanni Saponaro
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.