Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 노인 돌봄 분야의 필수 기술인 낙상 감지를 위해 물리 정보 기반 프레임워크를 제안합니다. 기존 방식이 간과했던 불안정성 역학을 모델링하기 위해, CoM 및 BoS 서브시스템으로 구성된 이중 LTC 아키텍처를 도입했습니다. 이는 연속적인 기계적 관성을 인코딩하여 저전력 엣지 장치에서 실시간 추론이 가능합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기낙상 감지는 노인 돌봄 및 지능형 감시 분야에 필수적입니다. 하지만 기존의 비전 기반 접근 방식들은 주로 이를 정적인 자세 분류(static pose classification)나 이산적인 시간 패턴 매칭으로 간주하여, 인간 지지 시스템의 불안정성 역학(instability dynamics)을 근본적으로 간과하고 있습니다. 본 논문은 낙상을 결합된 동역학 시스템 내에서의 안정성 손실 이벤트로 재구성하는 물리 정보 기반 낙상 감지 프레임워크를 제안합니다. 우리는 연속적인 관성 궤적 진화와 적응 시간 상수(adaptive time constants)를 통한 지면 접촉 조정을 모델링하기 위해, 질량 중심(Center-of-Mass, CoM) 서브시스템과 지지 기반(Base-of-Support, BoS) 서브시스템으로 구성된 새로운 이중 LTC 아키텍처(dual-LTC architecture)를 도입합니다. 두 서브시스템은 모두 액체 시간 상수(Liquid Time-Constant, LTC) 신경망으로 구현되어 있습니다. 학습 가능한 결합 모듈(learnable coupling module)이 두 서브시스템 간의 물리적 상호작용을 에뮬레이션하며, 안정성 다양체 분류기(Stability Manifold classifier)는 공동 잠재 공간(joint latent space)에서 작동하여 리아푸노프(Lyapunov)-영감을 받은 안정성 지표를 통해 경계 교차를 감지합니다. 보완적인 반사실적 궤적 투영(counterfactual trajectory projection)과 충돌까지 남은 시간(Time-to-Collision, TTC) 추정은 비가역성 평가와 조기 경보를 더욱 가능하게 합니다. 이 아키텍처는 세 가지 상태 예측 패러다임(Normal, Falling, Fallen)을 지원하도록 설계되었으며, 본 예비 연구에서는 두 클래스 데이터셋(Normal 대 Falling)에서 핵심 안정성 판별 능력을 검증하고, 전체 세 가지 상태의 시간적 전이는 향후 작업으로 남겨두었습니다. 기존 CNN--RNN 파이프라인과 달리, 제안된 공식은 연속 시간 기계적 관성을 인코딩하여, 리소스가 제한된 엣지 장치에서 실시간 추론이 가능한 50K 이하 매개변수 네트워크를 구현합니다. 광범위한 실험 결과는 우수한 물리적 해석 가능성과 함께 경쟁력 있는 정확도를 입증하며, 저연산 비전 낙상 감지의 효능을 검증합니다.