一个基于变压器的神经网络用于下肢外骨架机器人的步态预测,使用平脚力

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 下肢外骨需要强大的人机协作,以确保安全性和有效性.
• 准确的步态预测对于补偿传感器延迟和优化外骨控制至关重要.
• 平脚力提供了丰富的,内在的步态模式信息,对预测至关重要.

研究的目的:

• 开发一种新的深度学习模型,使用脚下压力数据来预测双边部和膝关节关节的角度.
• 通过改进步态预测,增强下肢外骨应用中的人机协作.
• 为了研究基于变压器的神经网络与变化模式分解 (VMD) 结合的有效性.

主要方法:

• 开发了一个基于变压器的神经网络 (TFSformer),包含1D卷积和变化模式分解 (VMD).
• 编码器使用1D卷积来从脚压的时间和力空间维度中提取特征.
• 解码器采用多通道注意力机制和深度多通道注意力结构,以实现高效的处理.

主要成果:

• TFSformer在关节角度预测中显著降低了平均绝对误差 (MAE) 和平均平方误差 (MSE).
• 与CNN,变压器和CNN-变压器模型相比,TFSformer实现了高达15.04%的MAE减少和高达29.90%的MSE减少.
• 该模型在由35名志愿者的数据组成的定制数据集上进行了验证.

结论:

• 拟议的TFSformer模型有效地预测了从脚下压力来看下肢关节的角度,为外骨控制提供了一个有前途的方法.
• 将VMD和注意力机制集成到变压器架构中可以提高步态预测的准确性和效率.
• 这一进步有可能提高下肢外骨架机器人的安全性,有效性和用户体验.