麻省理工学院新研究：绷紧肌肉就能操控无人机，比摇杆更省事

相比于离线训练方法，自适应在线聚类算法不储存所有的历史数据，不需要大量的校准、训练过程，可以做到即插即用。高斯混合模型（GMMs，Gaussian Mixture Models）会持续更新，聚类数据流并创建自适应阈值。这样，系统就可以适应不同用户的使用习惯。

对于那些很难用自适应阈值来描述的手势（在上、下、左、右四个方向上的握拳动作），研究人员用一个神经网络来帮助系统理解。这个神经网络用过去收集的一些受试者数据进行训练。

通过这两种方法，最终每个集群的训练池中都包含至少 25% 的手势。使用固定的覆盖率有助于保持原有的手势分类。

三、测试 1200 次，分类器识别准确率达 97.6%

在测试阶段，研究人员按照这样的顺序给出指令：转动，手臂僵直，向上、下、右握拳，向左握拳。分类器优先按照最近 0.2s 内检测到的手势做出反应，其次按照根据肌电信号预测到的运动意图做出反应。

研究人员安排 6 名参与者做出 1200 次命令手势，以此评估分类器的性能和界面效率。根据统计结果，分类器对手势动作的识别准确率达到 97.6%。

▲分类器分类准确率

根据肌电信号预测运动意图方面，分类器对于向上握拳的预测准确率最高，达到 100%；对向左握拳的预测准确率最低，为 80%。

▲分类器预测准确率

另外，研究人员把这个系统应用于一个Parrot Bebop 2 无人机。该无人机尺寸大约为 35*43cm，重 500g。在 119 分钟的飞行时间中，测试人员随机做出 1535 个命令手势，无人机在 81.6% 的情况下做出了正确反应。

结语：未来机器人或能识别更多手势

麻省理工学院计算机科学与人工智能实验室的研究团队设计出的“行为控制机器人”系统有效提升了人机交互的效率。论文中写道：“（我们）提出的方法在改善真实场景中的人机协作方面迈出了一步。这种协作越来越普及，会带来更多效益。”

研究人员表示将继续研究，致力于使机器人理解更多手势，并尝试提升传感器性能，捕捉到更精细的肌电活动。

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!