In base alla descrizione del problema, funzioneranno sia HMM (modello generativo) che CRF (modello discriminativo). Vedi questa discussione per una spiegazione più approfondita dei due approcci:
Qual è la differenza tra un algoritmo generativo e discriminatorio?
Un suggerimento: prima di scegliere un algoritmo, inizia osservando attentamente i tuoi dati numerici, con grafici MATLAB o simili. Se le informazioni sono multidimensionali (ad es. Valori di forza di più sensori), è possibile che alcune dimensioni (ad es. Letture di sensori) non contengano utili informazioni discriminatorie; in questo caso, comprimere i dati con l'analisi dei componenti principali in modo da avere funzionalità più compatte durante l'allenamento e la classificazione.
Ora, per quanto riguarda la tua domanda:
La differenza è che gli HMM possono rappresentare ciascuna delle tue classi di trama con diverse variabili / stati nascosti, catturando così l'evoluzione temporale interna di ciascun contatto. Possiamo affermare che HMM modella meglio la dinamica "di basso livello" (all'interno della classe) dei tuoi dati. Ad esempio, nel tuo caso gli HMM ti permetteranno di modellare esplicitamente tre diverse fasi di ogni acquisizione di dati: (1) inizio del contatto tra robot e oggetto; (2) parte stabile del contatto; (3) fine del contatto e rilascio. Queste fasi potrebbero avere valori diversi nel tempo, anche per la stessa trama dell'oggetto, e potrebbe avere senso separarli per migliorare i risultati della classificazione.
D'altra parte, i CRF sono più adatti per catturare le relazioni "di alto livello" (interclasse) della distribuzione dei dati, che a volte sono importanti quando la variabilità spazio-temporale è elevata o quando le caratteristiche di osservazione sono molto simili tra due campioni appartenenti a classi diverse.
Personalmente trovo gli HMM più facili da usare e vorrei iniziare con quelli, ma il tuo chilometraggio può variare.
Se decido di classificare in più categorie e la distinzione tra ognuna delle categorie sia molto sottile, in tal caso quale sarebbe una buona scelta?
In tal caso, i CRF possono essere una scelta più solida (vedi sopra).
I dati forzati saranno sufficienti per acquisire tutte le informazioni necessarie per classificare le trame in queste categorie?
L'aggiunta di funzioni visive (aspetto dell'oggetto), specialmente se catturate con telecamere ad alta risoluzione, potrebbe aiutare a determinare se l'oggetto ha una trama ruvida o meno.