Training und Einsatz von Hidden non-Markovian Models im Bereich Mensch-Maschine-Interaktion

Das Projekt hat das Ziel, Erkennungsprozesse im Bereich Mensch-Maschine-Interaktion zu verbessern. Dazu werden die an der OVGU entwickelten Hidden non-Markovian Models (HnMMs) eingesetzt. Sie ermöglichen eine zeitabhängige Musterbetrachtung und damit die Einführung des Faktors Ausführungsgeschwindigkeit zur Unterscheidung verschiedener Interaktionsmöglichkeiten Klassische stochastische Mustererkennungsverfahren wie Hidden Markov Models werden bereits erfolgreich eingesetzt, um bestimmte Interaktionen abzubilden und wiederzuerkennen.  Jedoch sind diese Modelle auf Markovsche Prozesse beschränkt und können damit gleiche Muster in verschiedenen Geschwindigkeiten schwierig unterscheiden. HnMMs hingegen können beliebige diskrete stochastische Prozesse (beispielsweise in Form eines Petri-Netzes) modellieren und verarbeiten. Somit ermöglichen sie zum Beispiel die Einbindung zeitbehafteter Zustandsübergänge und nebenläufiger Prozessen. Damit können im Bereich der Mensch-Maschine-Interaktion  semantisch verwandte Befehle durch unterschiedlich schnell ausgeführte Aktionen in Zusammenhang gebracht werden und nebeneinander ausgeführte Interaktionen isoliert werden. Um HnMMs im Bereich Mensch-Maschine-Interaktion anwenden zu können, müssen zunächst Möglichkeiten geschaffen werden, diese abhängig vom Nutzer spezialisieren, also trainieren, zu können. Die bisher betrachteten unüberwachten Lernalgorithmen konnten dabei nicht für HnMMs adaptiert werden. Daher wird in diesem Projekt die Anwendung überwachter Lernmethoden für HnMMs erforscht.