Human Locomotion Implicit Modeling Based Real-Time Gait Phase Estimation

要約

慣性測定ユニット（IMU）シグナルに基づく歩行位相推定により、個々の歩行変動に対するエキソ販売の正確な適応が促進されます。
ただし、特に地形の変化の期間中、高い精度と堅牢性を達成することには課題が残っています。
これに対処するために、ヒトの移動の暗黙的なモデリングに基づいて歩行位相推定ニューラルネットワークを開発します。これは、特徴抽出の時間的畳み込みとマルチチャネル情報融合の変圧器層を組み合わせます。
最初に歩行相のベクトルとIMUシグナルを人間の移動の共同観察として扱い、モデルの一般化を強化するチャネルごとのマスクされた再構成前のトレーニング戦略が提案されています。
実験結果は、提案された方法が既存のベースラインアプローチを上回り、2.729 \ PM 1.071％$の歩行位相RMSEを達成し、2秒の外観窓で安定した地形条件下で0.037 \ PM 0.016％のフェーズレートMAEを達成することを示しています。
0.023％$地形の移行下。
股関節外骨格のハードウェア検証は、アルゴリズムが歩行サイクルと主要なイベントを確実に識別し、さまざまな連続モーションシナリオに適応できることをさらに確認します。
この研究は、よりインテリジェントで適応性のある外骨格システムへの道を開き、多様な現実世界環境でより安全で効率的な人間とロボットの相互作用を可能にします。

要約(オリジナル)

Gait phase estimation based on inertial measurement unit (IMU) signals facilitates precise adaptation of exoskeletons to individual gait variations. However, challenges remain in achieving high accuracy and robustness, particularly during periods of terrain changes. To address this, we develop a gait phase estimation neural network based on implicit modeling of human locomotion, which combines temporal convolution for feature extraction with transformer layers for multi-channel information fusion. A channel-wise masked reconstruction pre-training strategy is proposed, which first treats gait phase state vectors and IMU signals as joint observations of human locomotion, thus enhancing model generalization. Experimental results demonstrate that the proposed method outperforms existing baseline approaches, achieving a gait phase RMSE of $2.729 \pm 1.071%$ and phase rate MAE of $0.037 \pm 0.016%$ under stable terrain conditions with a look-back window of 2 seconds, and a phase RMSE of $3.215 \pm 1.303%$ and rate MAE of $0.050 \pm 0.023%$ under terrain transitions. Hardware validation on a hip exoskeleton further confirms that the algorithm can reliably identify gait cycles and key events, adapting to various continuous motion scenarios. This research paves the way for more intelligent and adaptive exoskeleton systems, enabling safer and more efficient human-robot interaction across diverse real-world environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google