Locomotion Mode Transitions: Tackling System- and User-Specific Variability in Lower-Limb Exoskeletons

要約

各移動モードには特定の支援が必要であるため、下肢外骨格などのロボット支援装置を効果的に制御するには、歩行から座る、歩行から階段の上り、下りなどの移動の移行を正確に検出することが重要です。
ユーザーまたはシステム固有の特性によって収集されたセンサー データにばらつきが生じるため、非適応分類モデルを使用して遅延を回避しながら、高い遷移検出精度を維持することが困難になります。
この研究では、ユーザーの行動の変化や外骨格のさまざまな機械設計など、遷移検出のパフォーマンスに影響を与える重要な要素を特定しました。
遷移検出の精度を高めるために、有限状態機械分類器をシステム固有およびユーザー固有の変動に適応させるための 2 つの方法、つまり統計ベースのアプローチとベイジアン最適化を導入しました。
私たちの実験結果は、両方の方法が多様なユーザー間で遷移検出の精度を大幅に向上させ、非パーソナライズされたしきい値方法と比較して特定のシナリオで最大 80% の向上を達成することを示しています。
これらの調査結果は、適応制御システムにおけるパーソナライゼーションの重要性を強調し、支援機器のユーザー エクスペリエンスと有効性が向上する可能性を強調しています。
被験者固有およびシステム固有のデータをモデル トレーニング プロセスに組み込むことにより、私たちのアプローチは、移動の移行を検出し、個々のユーザーのニーズに応え、最終的には補助機器のパフォーマンスを向上させるための正確で信頼性の高いソリューションを提供します。

要約(オリジナル)

Accurate detection of locomotion transitions, such as walk to sit, walk to stair ascent, and descent, is crucial to effectively control robotic assistive devices, such as lower-limb exoskeletons, as each locomotion mode requires specific assistance. Variability in collected sensor data introduced by user- or system-specific characteristics makes it challenging to maintain high transition detection accuracy while avoiding latency using non-adaptive classification models. In this study, we identified key factors influencing transition detection performance, including variations in user behavior, and different mechanical designs of the exoskeletons. To boost the transition detection accuracy, we introduced two methods for adapting a finite-state machine classifier to system- and user-specific variability: a Statistics-Based approach and Bayesian Optimization. Our experimental results demonstrate that both methods remarkably improve transition detection accuracy across diverse users, achieving up to an 80% increase in certain scenarios compared to the non-personalized threshold method. These findings emphasize the importance of personalization in adaptive control systems, underscoring the potential for enhanced user experience and effectiveness in assistive devices. By incorporating subject- and system-specific data into the model training process, our approach offers a precise and reliable solution for detecting locomotion transitions, catering to individual user needs, and ultimately improving the performance of assistive devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google