一种基于机器学习的方法，用于改进基于Kinect的手动物料搬运运动捕捉技术

《Expert Systems with Applications》：A machine learning approach to improve Kinect-based motion capture in manual material handling

　　

丁峥 | 康斯坦丁·维尔特 | 张敏奇 | 克里斯托夫·H·格洛克 | 费利克斯·韦丁格 | 埃里克·H·格罗斯

摘要

为应对不断上涨的劳动力成本、劳动力短缺以及仓库环境中肌肉骨骼疾病的高发问题，企业正在寻找具有成本效益的运动捕捉（MoCap）解决方案来评估和降低与姿势相关的风险。尽管专业的MoCap系统具有高精度，但它们通常价格昂贵，这使得中小型企业难以购买。本研究探讨了使用基于Azure Kinect并结合机器学习（ML）的无标记MoCap系统，以避免遮挡导致的跟踪错误，提高跟踪的准确性和可靠性，并实现成本优势。通过应用设计科学研究方法，构建了一个概念性的三层架构模型，包括：（1）传感器设置和数据收集；（2）模型开发与测试；（3）模型评估以辅助决策。首先，采用实验方法量化了数据中的异常现象。随后，利用来自惯性测量单元系统（Captiv）的基准数据训练卷积神经网络，以提高基于Kinect系统的跟踪精度。评估结果表明，经过ML校正的Kinect数据在关键关节角度（如背部、肘部和肩部）的测量偏差上显著低于原始Kinect数据（通过多种性能指标验证）。此外，Ovako工作姿势评估系统被用来测试ML模型在评估姿势风险方面的有效性。研究发现，经过ML校正的Kinect数据与Captiv数据更为一致，同时对危险姿势的识别更为敏感。