新しい研究により、ステレオビジョンと人体姿勢推定（HPE）に基づく転倒予測・検出システムが提案された。このシステムはAMD Kria K26システムオンモジュール（SOM）上で動作し、高齢者向けの非侵襲的かつプライバシー保護されたリアルタイムモニタリングを目的としている。本成果はShreyas Narasimhiah Rameshらによるもので、arXivプレプリント（ID: 2606.12473）として公開された。
ハードウェアにはIntel RealSense D455深度カメラを使用し、USB経由でK26 SOMに接続する。RGB画像と深度画像（解像度640×480、フレームレート60 FPS）を同期して取得する。ソフトウェアは3段階のパイプラインで構成される。まず、量子化されたYOLOXモデルがRGBフレームから人物のバウンディングボックスを検出し、その後すぐにRGBフレームを破棄してプライバシーを保護する。次に、Anchor-to-Joint（A2J）モデルが深度フレームを用いて各人物の15関節点を推定する。最後に、CNNが選択された関節座標（x, y, z）に基づいて転倒行動を分類する。
モデル学習に関して、YOLOXはCrowdHumanデータセット、A2JはITOP、MP-3DHP、UR Fall Detection、および自作のSDSU PSGデータセット、CNNはUR Fall DetectionとSDSU PSGを使用した。シングルコアDPUによるシリアルパイプラインと、デュアルコアDPUによるマルチスレッドパイプラインの性能比較が行われた。シングルスレッド版のフレームレートは2.5 FPSだったが、マルチスレッド最適化により4.5 FPSに向上した。精度評価では、YOLOX（IoU≧50%）が74%、A2J（10cm閾値のmAP）が84.13%、CNNの分類精度が75.85%となった。
本研究は、AMD Kria K26のようなエッジデバイス上でプライバシーを保護しながら転倒検出が可能であることを実証した。システムは完全にローカルで動作し、クラウドに依存しないため、在宅高齢者モニタリングや介護支援に適している。今後の課題として、モデルの精度と速度の向上が挙げられている。