Global ETD Search

11	Driving Behavior Prediction by Training a Hidden Markov Model Wilhelmsson, Anna, Bedoire, Sofia January 2020 (has links) Introducing automated vehicles in to traffic withhuman drivers, human behavior prediction is essential to obtainoperation safety. In this study, a human behavior estimationmodel has been developed. The estimations are based on aHidden Markov Model (HMM) using observations to determinethe driving style of surrounding vehicles. The model is trainedusing two different methods: Baum Welch training and Viterbitraining to improve the performance. Both training methods areevaluated by looking at time complexity and convergence. Themodel is implemented with and without training and tested fordifferent driving styles. Results show that training is essentialfor accurate human behavior prediction. Viterbi training is fasterbut more noise sensitive compared to Baum Welch training. Also,Viterbi training produces good results if training data reflects oncurrently observed driver, which is not always the case. BaumWelch training is more robust in such situations. Lastly, BaumWelch training is recommended to obtain operation safety whenintroducing automated vehicles into traffic. / N ̈ar automatiserade fordon introduceras itrafiken och beh ̈over interagera med m ̈anskliga f ̈orare ̈ar det vik-tigt att kunna f ̈orutsp ̊a m ̈anskligt beteende. Detta f ̈or att kunnaerh ̊alla en s ̈akrare trafiksituation. I denna studie har en modellsom estimerar m ̈anskligt beteende utvecklats. Estimeringarna ̈ar baserade p ̊a en Hidden Markov Model d ̈ar observationeranv ̈ands f ̈or att best ̈amma k ̈orstil hos omgivande fordon itrafiken. Modellen tr ̈anas med tv ̊a olika metoder: Baum Welchtr ̈aning och Viterbi tr ̈aning f ̈or att f ̈orb ̈attra modellens prestanda.Tr ̈aningsmetoderna utv ̈arderas sedan genom att analysera derastidskomplexitet och konvergens. Modellen ̈ar implementerad medoch utan tr ̈aning och testad f ̈or olika k ̈orstilar. Erh ̊allna resultatvisar att tr ̈aning ̈ar viktigt f ̈or att kunna f ̈orutsp ̊a m ̈anskligtbeteende korrekt. Viterbi tr ̈aning ̈ar snabbare men mer k ̈ansligf ̈or brus i j ̈amf ̈orelse med Baum Welch tr ̈aning. Viterbi tr ̈aningger ̈aven en bra estimering i de fall d ̊a observerad tr ̈aningsdataavspeglar f ̈orarens k ̈orstil, vilket inte alltid ̈ar fallet. BaumWelch tr ̈aning ̈ar mer robust i s ̊adana situationer. Slutligenrekommenderas en estimeringsmodell implementerad med BaumWelch tr ̈aning f ̈or att erh ̊alla en s ̈aker k ̈orning d ̊a automatiseradefordon introduceras i trafiken / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm Human behavior prediction Hidden MarkovModel aggressive behavior non-aggressive behavior Viterbidecoding algorithm Baum Welch training Viterbi training Elektroteknik och elektronik
12	Enhanching the Human-Team Awareness of a Robot Wåhlin, Peter January 2012 (has links) The use of autonomous robots in our society is increasing every day and a robot is no longer seen as a tool but as a team member. The robots are now working side by side with us and provide assistance during dangerous operations where humans otherwise are at risk. This development has in turn increased the need of robots with more human-awareness. Therefore, this master thesis aims at contributing to the enhancement of human-aware robotics. Specifically, we are investigating the possibilities of equipping autonomous robots with the capability of assessing and detecting activities in human teams. This capability could, for instance, be used in the robot's reasoning and planning components to create better plans that ultimately would result in improved human-robot teamwork performance. we propose to improve existing teamwork activity recognizers by adding intangible features, such as stress, motivation and focus, originating from human behavior models. Hidden markov models have earlier been proven very efficient for activity recognition and have therefore been utilized in this work as a method for classification of behaviors. In order for a robot to provide effective assistance to a human team it must not only consider spatio-temporal parameters for team members but also the psychological.To assess psychological parameters this master thesis suggests to use the body signals of team members. Body signals such as heart rate and skin conductance. Combined with the body signals we investigate the possibility of using System Dynamics models to interpret the current psychological states of the human team members, thus enhancing the human-awareness of a robot. / Användningen av autonoma robotar i vårt samhälle ökar varje dag och en robot ses inte längre som ett verktyg utan som en gruppmedlem. Robotarna arbetar nu sida vid sida med oss och ger oss stöd under farliga arbeten där människor annars är utsatta för risker. Denna utveckling har i sin tur ökat behovet av robotar med mer människo-medvetenhet. Därför är målet med detta examensarbete att bidra till en stärkt människo-medvetenhet hos robotar. Specifikt undersöker vi möjligheterna att utrusta autonoma robotar med förmågan att bedöma och upptäcka olika beteenden hos mänskliga lag. Denna förmåga skulle till exempel kunna användas i robotens resonemang och planering för att ta beslut och i sin tur förbättra samarbetet mellan människa och robot. Vi föreslår att förbättra befintliga aktivitetsidentifierare genom att tillföra förmågan att tolka immateriella beteenden hos människan, såsom stress, motivation och fokus. Att kunna urskilja lagaktiviteter inom ett mänskligt lag är grundläggande för en robot som ska vara till stöd för laget. Dolda markovmodeller har tidigare visat sig vara mycket effektiva för just aktivitetsidentifiering och har därför använts i detta arbete. För att en robot ska kunna ha möjlighet att ge ett effektivt stöd till ett mänskligtlag måste den inte bara ta hänsyn till rumsliga parametrar hos lagmedlemmarna utan även de psykologiska. För att tyda psykologiska parametrar hos människor förespråkar denna masteravhandling utnyttjandet av mänskliga kroppssignaler. Signaler så som hjärtfrekvens och hudkonduktans. Kombinerat med kroppenssignalerar påvisar vi möjligheten att använda systemdynamiksmodeller för att tolka immateriella beteenden, vilket i sin tur kan stärka människo-medvetenheten hos en robot. / <p>The thesis work was conducted in Stockholm, Kista at the department of Informatics and Aero System at Swedish Defence Research Agency.</p> robotics Artificial Intelligence AI System Dynamics Wireless Body Area Network WBAN sensors Psychology physiology human behavior Human-Robot-Interaction HRI robot Human-Team awareness human-robot RapidMiner Vensim JaHMM hidden markov models HMM eclipse rcp ARFF recognizer classification cross-validation human behavior stress detection Galvanic Skin Response Heart Rate Skin Temperature Finger Temperature Electrocardiogram ECG GSR ST Pupil Diameter PD Patient monitoring GPS Data acquisition dataset data set MODERE Yerkes-Dodson SD model SD Confusion matrix spatial MOUT Java Agent robotic agent Machine Learning activity recognition team oriented robot Evaluation Decoding Learning Forward Algorithm Backward Algorithm Baum-Welch feedback loop Situation Awareness SA Shared Mental Models SMM

Search results

Driving Behavior Prediction by Training a Hidden Markov Model

Enhanching the Human-Team Awareness of a Robot