GSAHermNet:一个基于GraphSAGE的神经网络,具有Hermite插曲,用于个性化步行模式生成.

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:

• 准确的步行模式生成对于机器人步行康复至关重要.
• 传统的方法往往在不同的行走条件中难以通用.

研究的目的:

• 引入GSAHermNet,这是一个新的两阶段框架,用于准确的步行轨迹生成.
• 为了提高概括性和减少步态模式预测模型中的过度拟合.

主要方法:

• 一个基于GraphSAGE的神经网络预测关键的步行事件.
• 赫米特插值可以重建完整的关节轨迹.
• 该模型利用七个身体和行走参数进行预测.

主要成果:

• 对于部和膝关节关节,GSAHermNet实现了高精度 (MAD <4.58°,r = 0.99).
• 脚关节的准确性也很强 (MAD < 3.69°,r = 0.85).
• 在准确性和稳定性方面表现优于传统的统计和机器学习方法.

结论:

• GSAHermNet为机器人步行康复提供了一个有前途的方法.
• 潜在的应用包括自适应控制和个性化运动规划.
• 未来的工作旨在建立一个实时生成的在线框架.