Continual Imitation Learning for Prosthetic Limbs

要約

下肢の切断と神経筋障害により可動性が著しく制限されるため、従来の義足を超える進歩が必要です。
電動バイオニック手足には将来性があるが、その実用性は、さまざまな環境で進化する人間の動きの相乗効果を模倣できるかどうかにかかっています。
これに関連して、カメラベースのモーション キャプチャとウェアラブル センサー データを活用するバイオニック義足アプリケーションの新しいモデルを紹介します。これにより、人間の移動中の下肢の相乗結合を学習し、欠損した下肢の運動学的挙動を推測できるようになります。
坂道や階段を登るなど、さまざまな作業に手足を動かします。
私たちは、マルチタスク、継続的な適応、動きの予測、洗練が可能なモデルを提案します。
私たちの方法の核心は、以前の予測に基づいて将来の動きを予測して合成し、その後の予測に対して修正メカニズムを採用する、私たちが「マルチタスク前向きリハーサル」と呼ぶアプローチにあります。
私たちは、共有バックボーン上で軽量のタスク固有のモジュールを統合する進化するアーキテクチャを設計し、特異性と拡張性の両方を保証します。
私たちは、広範囲の移動タスクを網羅する下脛切断患者の実験を含む、現実世界の人間の歩行データセットを使用して、さまざまなベースラインに対してモデルを経験的に検証します。
結果は、特に分布の変化、敵対的な摂動、およびノイズの影響を受けるシナリオの下で、私たちのアプローチが常にベースライン モデルを上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Lower limb amputations and neuromuscular impairments severely restrict mobility, necessitating advancements beyond conventional prosthetics. Motorized bionic limbs offer promise, but their utility depends on mimicking the evolving synergy of human movement in various settings. In this context, we present a novel model for bionic prostheses’ application that leverages camera-based motion capture and wearable sensor data, to learn the synergistic coupling of the lower limbs during human locomotion, empowering it to infer the kinematic behavior of a missing lower limb across varied tasks, such as climbing inclines and stairs. We propose a model that can multitask, adapt continually, anticipate movements, and refine. The core of our method lies in an approach which we call — multitask prospective rehearsal — that anticipates and synthesizes future movements based on the previous prediction and employs a corrective mechanism for subsequent predictions. We design an evolving architecture that merges lightweight, task-specific modules on a shared backbone, ensuring both specificity and scalability. We empirically validate our model against various baselines using real-world human gait datasets, including experiments with transtibial amputees, which encompass a broad spectrum of locomotion tasks. The results show that our approach consistently outperforms baseline models, particularly under scenarios affected by distributional shifts, adversarial perturbations, and noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google