Deep-Learning Estimation of Weight Distribution Using Joint Kinematics for Lower-Limb Exoskeleton Control

要約

足部を有する下肢外骨格の制御では、足部の体重分布をモニタリングすることにより、歩行サイクルにおける位相を特定することができる。この位相情報は、外骨格のダイナミクスを補正し、インピーダンスパラメータを割り当てるために、外骨格のコントローラで使用することができます。通常、体重分布は、トレッドミルのフォースプレートやインソールのフォースセンサーなどのセンサーからのデータを使用して計算されます。しかし、これらのソリューションは、セットアップの複雑さとコストの両方を増加させる。このため、我々は、関節運動学の短い時間ウィンドウを用いて、外骨格の重量分布をリアルタイムで予測するディープラーニングアプローチを提案する。このモデルは、4自由度の外骨格を装着した6人のユーザーのトレッドミル歩行データで学習され、同じデバイスを装着した3人の異なるユーザーに対してリアルタイムでテストされた。このテストセットには、モデルが個人間で汎化する能力を実証するために、トレーニングセットには存在しなかった2人のユーザが含まれている。その結果、提案手法はR2=0.9で実際の体重分布に適合でき、予測時間が1ms以下のリアルタイム制御に適していることが示された。クローズドループ外骨格制御における実験から、ディープラーニングに基づく体重分布推定は、地上歩行やトレッドミル歩行における力センサーの置き換えに利用できることが示された。

要約(オリジナル)

In the control of lower-limb exoskeletons with feet, the phase in the gait cycle can be identified by monitoring the weight distribution at the feet. This phase information can be used in the exoskeleton’s controller to compensate the dynamics of the exoskeleton and to assign impedance parameters. Typically the weight distribution is calculated using data from sensors such as treadmill force plates or insole force sensors. However, these solutions increase both the setup complexity and cost. For this reason, we propose a deep-learning approach that uses a short time window of joint kinematics to predict the weight distribution of an exoskeleton in real time. The model was trained on treadmill walking data from six users wearing a four-degree-of-freedom exoskeleton and tested in real time on three different users wearing the same device. This test set includes two users not present in the training set to demonstrate the model’s ability to generalize across individuals. Results show that the proposed method is able to fit the actual weight distribution with R2=0.9 and is suitable for real-time control with prediction times less than 1 ms. Experiments in closed-loop exoskeleton control show that deep-learning-based weight distribution estimation can be used to replace force sensors in overground and treadmill walking.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL