じゃんけん･ジェスチャ認識

マイノリティ･リポート：フィクションからほぼ現実へ！

ジェスチャに基づくデバイス制御は、ユーザ･エクスペリエンスの向上や衛生上の理由による非接触アプリケーションへの対応など、さまざまなメリットをもたらします。 デモのために数種のハンド･サインを識別する3つのクラスを作成しましたが、このモデルはあらゆるジェスチャを学習させることで最終ユーザに幅広い新機能を提供できます。

NanoEdge AI StudioはToF（Time-of-Flight）測距センサをサポートしていますが、このアプリケーションではレーダーなどのセンサを使用することもできます。

アプローチ

– 信号を減らして情報を簡素化するために、カメラではなくToF測距センサを使用しました。
– 背景の影響を低減するために検出距離を20cmに設定しました。 オプション：測定した距離の2値化
– 10回測定し（周波数：15Hz）、測定ごとにクラスを予測しました。 その後、最も頻繁に出現するクラスを選択しました。
– （動きの展開について検討するために、測定値を連結して長い信号を作成します。ここでの目的はサインを分類することですので、一時性は不要です）。
– 空測定（動きなし）を避けるために、クラス（グー、チョキ、パー）ごとに3,000レコードのデータセットを作成しました。
– そして、NanoEdge AI Studioで「Nクラス分類」モデル（3クラス）を作成し、NUCLEO_F401REで実際にテストしました。

センサ

ToF測距センサ：VL53L5