深度域调整消除了任务无知可穿戴机器人控制所需的昂贵数据

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:

• 数据驱动的方法对于可穿戴机器人在康复和增强方面至关重要.
• 高质量,特定于设备的数据是必不可少的,但成本昂贵,难以获得.
• 数据稀缺性限制了当前可穿戴机器人系统的个性化和性能.

研究的目的:

• 开发一个框架,克服在训练可穿戴机器人模型的数据短缺.
• 为了利用来自生物机械模型的模拟传感器数据作为中间领域.
• 为了使易于访问的数据转化为数据有限的,设备特定的领域.

主要方法:

• 开发并优化了一个深度域调整网络.
• 用开源和未标记的外骨架数据取代昂贵的,特定于设备的标记数据.
• 通过使用拟议的框架,训练了一种部和膝关节关节的时刻估计器.

主要成果:

• 经过训练的估计器的性能与经过完全设备特定数据集训练的模型相提并论,错误率仅略有增加 (11-44%).
• 拟议的网络显著优于没有域调整的网络 (表现优于36-60%).
• 在关节/膝关节外骨中实时部署显示了类似的估计器性能,并将用户的代谢成本降低了9.5-14.6%.

结论:

• 该框架通过使用模拟数据作为桥梁,有效地克服了数据稀缺性.
• 它可以训练实时部署的深度学习模型,使用有限或没有标记的设备特定数据.
• 这种方法促进了可穿戴机器人应用的进步,用于康复和人类增强.