Phát hiện té ngã thời gian thực trên nền tảng cạnh nhỏ gọn nhờ thuật toán mới

Trong bối cảnh chăm sóc người cao tuổi và giám sát thông minh, việc phát hiện té ngã là một yêu cầu cấp thiết. Tuy nhiên, các phương pháp dựa trên thị giác hiện tại thường chỉ xem xét té ngã như một phân loại tư thế tĩnh hoặc khớp mẫu thời gian rời rạc, bỏ qua một yếu tố cốt lõi: động lực học mất ổn định của hệ thống hỗ trợ cơ thể người. Một nghiên cứu mới trên arXiv đã đề xuất một khung phát hiện té ngã có thông tin vật lý, định nghĩa lại việc té ngã như một sự kiện mất ổn định trong một hệ thống động lực học có tương tác, mang đến một cách tiếp cận đột phá. Giải pháp này giới thiệu một kiến trúc Dual-LTC (Liquid Time-Constant) độc đáo, bao gồm hai hệ thống con chính: hệ thống con Trung tâm Khối lượng (CoM) và hệ thống con Diện tích Đỡ (BoS). Cả hai đều được triển khai dưới dạng mạng nơ-ron LTC, cho phép mô hình hóa liên tục sự tiến hóa quỹ đạo quán tính và sự điều chỉnh tiếp xúc mặt đất thông qua các hằng số thời gian thích ứng. Điểm mấu chốt là kiến trúc này có khả năng giải thích vật lý của chuyển động té ngã, không chỉ đơn thuần là nhận diện hình ảnh. Kiến trúc này còn có một module ghép nối học được, mô phỏng chính xác tương tác vật lý giữa hai hệ thống con. Cùng với đó, một bộ phân loại Stability Manifold hoạt động trong không gian tiềm ẩn chung để phát hiện sự vượt qua các ranh giới ổn định thông qua các số liệu ổn định lấy cảm hứng từ Lyapunov. Đáng chú ý, khung này còn bổ sung khả năng dự đoán quỹ đạo phản thực tế (counterfactual trajectory projection) và ước tính Thời gian tới Va chạm (Time-to-Collision - TTC), cho phép đánh giá mức độ không thể đảo ngược của sự kiện và đưa ra cảnh báo sớm. Mặc dù được thiết kế để hỗ trợ mô hình dự đoán ba trạng thái (Bình thường, Đang té, Đã té), nghiên cứu sơ bộ này đã xác nhận khả năng phân biệt ổn định cốt lõi trên tập dữ liệu hai lớp (Bình thường so với Đang té), mở ra tiềm năng cho công việc phát triển đầy đủ ba trạng thái trong tương lai. Điểm khác biệt rõ rệt so với các kiến trúc CNN-RNN thông thường là công thức