用户和速度独立的斜率估计用于下端可穿戴机器人的下端可穿戴机器人
Jairo Y Maldonado-Contreras1,2, Krishan Bhakta3, Jonathan Camargo3
1Woodruff School of Mechanical Engineering, Georgia Institute of Technology, Atlanta, GA, 30332, USA. jym3@gatech.edu.
Annals of biomedical engineering
|November 6, 2023
概括
机器学习模型为可穿戴机器人提供持续的斜率估计,改善了在不同地形上的用户辅助. 这些在静态数据上训练的模型,可以很好地将其推广到动态斜坡上,增强机器人的移动性并降低代谢成本.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 生物力学 生物力学
- 机器学习 机器学习
背景情况:
- 可穿戴的机器人可以帮助穿越斜坡,但目前的方法在不同斜坡上缺乏最佳的概括性.
- 现有的斜率估计技术面临着随着步行速度和步行周期频率变化的局限性.
- 基于斜率的机器人辅助规模化对于增强用户体验和减少代谢支出至关重要.
研究的目的:
- 开发先进的机器学习 (ML) 方法,用于连续的,独立于用户和速度的斜率估计.
- 克服以前数值方法在动态行走过程中估计斜坡的局限性.
- 为了使下肢可穿戴机器人能够在不同地形上提供适应性辅助.
主要方法:
- 利用一个身体健康的可穿戴传感器数据集来训练四相XGBoost回归模型.
- 采用一个离开一个主体的交叉验证方法 (N=9) 与在静态斜率数据上训练的模型.
- 评估了来自新型对象的静态斜率和动态斜率数据的模型性能.
主要成果:
- 使用所有可用的传感器,在静态和动态斜率上分别达到0.88°和1.73°的平均误差 (MAE),使用所有可用的传感器.
- 脚假肢,膝关节假肢和部外骨架的传感器套件显示平均误差在2°MAE以下.
- 确定大腿惯性测量单元是减少错误的最重要贡献者.
结论:
- 机器学习可以对可穿戴机器人进行可靠的,连续的斜率估计,可适应不同的速度和用户.
- 静态斜率训练数据足以开发可用于各种下肢机器人设备的稳健斜率估计器.
- 开发的估计器可以改进可穿戴机器人控制策略,从而提高用户的移动性和效率.
