Линейный регрессия стабильна при меньшем количестве выборок, но ошибка в том увеличивается по мере использования большего количества выборок.
Чем больше образцы используются с линейным предиктором, предиктором уменьшается способность справляться с быстрыми изменениями в движении.
Полиномиальная регрессия второго порядка нестабильна на низком уровне подсчет проб из-за шумного характера сырой нефти данные.
Он пытается предсказать уровень шума, но по мере увеличения количества сэмплов предиктор будет лучше справляться со следующими задачами предсказать истинный путь движения.
В данном тесте полиномиальная регрессия второго порядка показана сильнее в широком диапазоне, а именно от 10 до 40 образцов.
На практике, если известно, что пользователь будет постоянно быстро менять направление, затем мы предполагают использование меньшего количества выборок в этом диапазоне; с учетом того меньше памяти о прошлых состояниях, регрессия приспосабливается более легко к изменениям.
Если данные шумные, то мы предлагаем используя более высокие значения выборки в пределах этого диапазона; при большем количестве воспоминания о прошлых состояниях, регрессия имеет нормализующийся характерный эффект.
Сплошные линии соответствуют средней погрешности на частицу в руке, меру ошибки предсказанной руки в отношении того к положению и ориентации.
Пунктирные линии соответствуют следующим параметрам среднеквадратическое отклонение ошибки для данного теста. Память образцы относятся к количеству локальных образцов в течение определенного периода времени, которые были использованы для регрессионного прогнозирования.
Основной вариант (т.е. отсутствие прогноза) отображается черным цветом.
Линейный прогноз -показанный в полиномиальном предсказании фиолетового цвета и второго порядка показан зеленым цветом.
Основываясь на тестах, лучший образец - значение для линейной регрессии составляет семь выборок, которые уменьшили погрешность в 3,31 раза и стандартное значение отклонение в 2,15 раза по отношению к базовому сценарию.
Хотя это будет работать в среде локальной сети, семеро из них вот выборка из 70 мс действия пользователя, который, скорее всего, будет слишком коротким, чтобы компенсировать отставание скачки или потерянные пакеты в широкополосной сети (WAN) окружающей среды.
Поэтому мы выбрали второй порядок - регрессия с 20 образцами, как лучший кандидат для нашей что позволило снизить погрешность в 3,16 раза, и среднеквадратическое отклонение в 2,00 раза.
На изображении без предсказания (вверху), сильно выраженное взаимодействующие частицы красного цвета видны за рукой. В используя наш метод прогностического моделирования (внизу) сильные взаимодействующие частицы культивируются в руке.
Степень воздействия нашего метода трудно представить за пределами VR, см. на первой странице ссылку на видео для лучшего представления.
Текущая работа: нейронные сети для прогнозирования
С недавним волнением вокруг искусственного интеллекта (AI) и особенно искусственных нейронных сетей (ANNs) для решения проблем, многие люди изучили возможность использования АНН и добились успеха в своих усилиях.
Интересная и сильная работа по прогнозированию движения человека это то, что Мартинес и др.
Тем не менее, они посмотрели на предсказывая определенные человеческие поступки, в то время как мы пытаемся чтобы предсказать движение там, где нет определенного действия.
Моделируемые объекты в нашей работе часто меняются по форме, размеру и динамике.
Как таковые, мы взяли другой маршрут и предпринял первоначальную попытку использования более простые RNNN, тестирование закрытого многократного блока (GRU) и сети длинной краткосрочной памяти (LSTM).
Нашей отправной точкой был эксперимент с RNNs в Керасе за простоту и использование кода от Aungiers's. GitHub как основа.
После некоторой модификации, мы может использовать код для генерации прогнозов пользователя перемещение нескольких точек данных (т.е. временных интервалов) во времени Будущего. Затем мы преобразовали обученную модель в следующую TensorFlow's C API в нашем коде.
Однако хотя этот подход работает, он немного разобщен в отношении потерь во время тренировки и ошибки, обнаруженной в видеомагнитофоне, вызванной задержкой.
Обучение сети в режиме реального времени для удаления эта разобщенность сохраняется и в будущей работе.
Наш первоначальный подход состоял в том, чтобы обучать отдельных людей для каждого различного количества латентности, а именно модель на 10 мс, 20 мс, 30 мс и так далее.
Это упрощает модель для создания первого доказательства концепции легче, но это далеко не идеально.
Наши будущие усилия будет включать обучение одной модели, которая знает (т.е. желаемое расстояние предсказания), так что будет эффективно работать при любом значении латентности или с любым значением задержки колеблющаяся латентность.
Продолжение следует в следующей статье