HMM vs CRF pour modéliser les données de force chronologiques des robots interagissant avec l'environnement?

9

J'ai une série chronologique de données de force de robots interagissant avec des objets d'environnement avec différentes textures. Je voudrais développer des modèles de textures diverses en utilisant les données de séries chronologiques pour classer les textures en catégories lisses, rugueuses, modérées, etc. À cette fin, les modèles de Markov cachés seront-ils suffisants ou devrais-je utiliser des champs aléatoires conditionnels? Si je décide de classer en plusieurs catégories et que la distinction entre chacune de ces catégories est très subtile, dans ce cas, quel serait un bon choix? Les données de force seront-elles suffisantes pour capturer toutes les informations dont j'ai besoin pour classer les textures dans ces catégories?

Merci pour vos réponses :)

Gilmour
la source

Réponses:

5

Selon la description de votre problème, HMM (modèle génératif) et CRF (modèle discriminant) fonctionneront. Voir cette discussion pour une explication plus approfondie des deux approches:

Quelle est la différence entre un algorithme génératif et discriminatoire?

Une suggestion: avant de choisir un algorithme, commencez par regarder attentivement vos données numériques, avec des graphiques MATLAB ou similaires. Si les informations sont multidimensionnelles (par exemple, les valeurs de force de plusieurs capteurs), il se peut que certaines dimensions (par exemple les lectures de capteur) ne contiennent pas d'informations discriminantes utiles; dans ce cas, compressez les données avec l'analyse en composantes principales afin d'avoir des fonctionnalités plus compactes pendant l'entraînement et la classification.

Maintenant, en ce qui concerne votre question:

La différence est que les HMM peuvent représenter chacune de vos classes de texture avec plusieurs variables / états cachés, capturant ainsi l'évolution temporelle interne de chaque contact. On peut dire que HMM modélise mieux la dynamique "bas niveau" (intra-classe) de vos données. Par exemple, dans votre cas, les HMM vous permettront de modéliser explicitement trois phases différentes de chaque acquisition de données: (1) début du contact entre le robot et l'objet; (2) une partie stable du contact; (3) fin de contact et libération. Ces phases peuvent avoir différentes valeurs dans le temps, même pour la même texture d'objet, et il peut être judicieux de les séparer pour améliorer les résultats de classification.

D'un autre côté, les CRF sont plus adaptés pour capturer les relations "de haut niveau" (inter-classes) de votre distribution de données, qui sont parfois importantes lorsque la variabilité spatio-temporelle est élevée, ou lorsque les caractéristiques d'observation sont très similaires entre deux échantillons appartenant à des classes différentes.

Personnellement, je trouve les HMM plus faciles à utiliser et je commencerais par ceux-ci, mais votre kilométrage peut varier.

Si je décide de classer en plusieurs catégories et que la distinction entre chacune de ces catégories est très subtile, dans ce cas, quel serait un bon choix?

Dans ce cas, les CRF peuvent être un choix plus robuste (voir ci-dessus).

Les données de force seront-elles suffisantes pour capturer toutes les informations dont j'ai besoin pour classer les textures dans ces catégories?

L'ajout de caractéristiques visuelles (apparence de l'objet), en particulier s'il est capturé avec des caméras haute résolution, pourrait aider à déterminer si l'objet a une texture rugueuse ou non.

Giovanni Saponaro
la source
Désolé, pour réponse tardive. Vos commentaires ont été très utiles. J'ai déjà implémenté des HMM et ils semblent bien fonctionner. Je n'ai pas converti les données en sa représentation de faible dimension en utilisant PCA, plutôt utilisé des HMM qui peuvent prendre des données / distributions continues pour éviter de perdre des informations. Mais puisque je l'utilise de toute façon pour la classification, je pense que l'utilisation d'approches discriminantes pourrait donner de meilleurs résultats (encore à voir et à confirmer).
Gilmour
Heureux de savoir que les HMM fonctionnent bien pour la modélisation de vos données de capteur de force. Je serais intéressé d'en savoir plus.
Giovanni Saponaro