用于时间模式识别和机器人控制中动态手臂手势速度估计的神经网络

部署通过手势与人类互动的智能机器人系统，需要具备识别多样时间模式能力的神经网络。我们对十项抽象序列任务进行了系统性基准测试——其中五项为排列不变（集合）问题，五项为顺序相关（序列）问题——并在涵盖循环、卷积、基于注意力机制以及集合函数等类别的十八种神经网络架构上进行评估。除核心的架构—任务组合外，我们还探索了多种预处理方法和目标变量变换，共形成超过250种不同的实验配置。所有变体均在完全一致的条件下进行训练和测试（固定随机种子、共享超参数、共享数据划分），以确保比较的公平性和可复现性。在全部十项任务上的排名显示，有四种架构始终表现优异：BiGRU、TCN、Conv1D 和 GRUReLU；在基准测试设置下，它们的参数量均少于2,000个，足以支持实时部署。基于这一排名，我们将三种架构各具特色的顶尖模型（BiGRU、TCN 和 GRUReLU）应用于一个实际机器人学问题：根据骨骼关键点序列估计动态手臂手势的执行速度。我们在一个自建数据集上评估了三种速度定义方式（峰值计数、周期时间和平均尖峰间距）。该数据集包含八类与交通相关的手势，共有通过 OpenPose 记录的256,710帧数据。在峰值计数定义下，最佳配置取得了0.198的平均绝对误差，对应约5%的相对误差；周期时间定义下的相对误差约为4%，平均尖峰间距定义下的相对误差约为8%。这些结果表明，神经网络能够根据骨骼数据可靠地估计手势速度，为实现具备速度感知能力的手势控制机器人系统开辟了道路。