Ein verallgemeinerter Ansatz zum Lernen von menschlichen Verhaltensmodellen für Aktivitätserkennung auf Basis von schriftlichen Anweisungen

• Antragstellerin: Professorin Dr.-Ing. Kristina Yordanova
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2016 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 314457946

Algorithmische Modelle menschlichen Verhaltens für die Aktivitätserkennung nutzen Vorbedingung- Effekt Regeln um menschlichen Aktivitäten und Ziele zu erkennen. Ein Problem dabei ist es Informationen über die Struktur solcher Aktivitäten zu erlangen, um diese dann geeignet zu modellieren. Um sowohl den Bedarf an Expertenwissen als auch an Sensordaten zu reduzieren, werden aktuell Methoden untersucht, um solche Modelle aus textuellen Beschreibungen zu lernen. Dabei werden verschiedene vereinfachende Annahmen getroffen, die im Gegenzug den Einsatz solcher Modelle für die Aktivitätserkennung verhindern. Ziel dieses Projektes ist es eine Methodik zu entwickeln, die es ermöglicht Modelle menschliche Verhaltens durch die Anwendung maschinellen Lernens aus textuelle Beschreibungen zu generieren. Dabei werden die sowohl existierende als auch neu zu entwickelnde Methoden kombiniert.- Eine Methodik zur Extraktion der Semantik von Aktionen aus textuellen Beschreibung soll entwickelt werden. Zentrale Herausforderung ist hier, kausale Beziehungen verschiedener Elementen in Texten mit einfacher Satzstruktur zu identifizieren.- Um eine Verallgemeinerung der Modelle und die Integration zusätzlicher Kontextinformationen sicherzustellen, werden hier Methoden untersucht die das maschinelle Lernen von Ontologien erlauben. Die Schwierigkeit besteht hier vor allem darin, eine Ontologieerweiterung auf Basis kausaler, raümlicher und funktionaler Eigenschaften der Elemente der Anwendungsdomäne zu entwickeln.- Methoden zur Grundierung von Sprachen werden untersucht um das maschinelle Lernen einer Modellsemantik zu ermöglichen. Regeln auf Basis von Vorbedingungen und Effekten werden verwendet um diese Semantik zu repräsentieren. Die entstehende Methodik adressiert mögliche Probleme sowohl beim Lernender Regeln als auch beim Übersetzen in das Zielformat.- Während der Evaluation werden verschiedene Aktivitätserkennungsszenarien untersucht. Dabei wird die Erkennungsleistung der automatisch erstellten Modelle mit der der manuell entwickelten Modelle verglichen.Im Erfolgsfall, wird die entwickelte Methodik sowohl die notwendige Zeit als auch notwendige Ressourcen für die Entwicklung von algorithmischen Modellen menschlichen Verhaltens für die Aktivitätserkennung reduzieren.

• DFG-Verfahren: Sachbeihilfen