Multitask Learning for Multiple Recognition Tasks: A Framework for Lower-limb Exoskeleton Robot Applications

要約

下肢外骨格ロボットを効果的に制御するには、ユーザーの状態や環境条件を正確に認識することが不可欠です。
これまでの研究では、タスクごとに独立したモデルを使用してこれらの認識の課題に対処するのが一般的であり、その結果、モデル開発プロセスが非効率的になってしまいました。
この研究では、複数の認識課題に同時に対処できるマルチタスク学習アプローチを提案します。
このアプローチにより、各認識モデル間の知識共有が可能になり、データ効率が向上します。
例として、下肢外骨格ロボットにおける最も一般的な認識タスクである歩行位相認識 (GPR) と地形分類 (TC) を使用して、このアプローチの有効性を実証します。
まず、二乗平均平方根誤差 (RMSE) 値 2.345 $\pm$ 0.08 を達成する高性能の GPR モデルを作成し、次にその知識共有バックボーン特徴ネットワークを利用して、非常に限られたデータセットで TC モデルを学習しました。
TC モデルに限られたデータセットを使用することで、提案したマルチタスク学習アプローチのデータ効率を検証できます。
提案された TC モデルの精度を他の TC ベースライン モデルと比較しました。
提案されたモデルは、限られたデータセットで 99.5 $\pm$ 0.044% の精度を達成し、他のベースライン モデルを上回り、データ効率の点でその有効性を実証しました。
今後の研究は、追加の認識タスクを包含するようにマルチタスク学習フレームワークを拡張することに焦点を当てます。

要約(オリジナル)

To control the lower-limb exoskeleton robot effectively, it is essential to accurately recognize user status and environmental conditions. Previous studies have typically addressed these recognition challenges through independent models for each task, resulting in an inefficient model development process. In this study, we propose a Multitask learning approach that can address multiple recognition challenges simultaneously. This approach can enhance data efficiency by enabling knowledge sharing between each recognition model. We demonstrate the effectiveness of this approach using Gait phase recognition (GPR) and Terrain classification (TC) as examples, the most conventional recognition tasks in lower-limb exoskeleton robots. We first created a high-performing GPR model that achieved a Root mean square error (RMSE) value of 2.345 $\pm$ 0.08 and then utilized its knowledge-sharing backbone feature network to learn a TC model with an extremely limited dataset. Using a limited dataset for the TC model allows us to validate the data efficiency of our proposed Multitask learning approach. We compared the accuracy of the proposed TC model against other TC baseline models. The proposed model achieved 99.5 $\pm$ 0.044% accuracy with a limited dataset, outperforming other baseline models, demonstrating its effectiveness in terms of data efficiency. Future research will focus on extending the Multitask learning framework to encompass additional recognition tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google