基于关节运动学深度学习估计重量分布用于下肢外骨骼控制
机器人学
2026-01-16 v2
摘要
在带有足部的下肢外骨骼控制中，可以通过监测足部的重量分布来识别步态周期中的相位。该相位信息可用于外骨骼控制器中以补偿外骨骼动力学并设定阻抗参数。通常，重量分布是利用跑步机测力台或鞋垫力传感器等传感器的数据来计算的。然而，这些解决方案同时增加了设置复杂性和成本。因此，我们提出了一种深度学习方法，利用短时间窗的关节运动学来实时预测外骨骼的重量分布。该模型在六名佩戴四自由度外骨骼用户的跑步机行走数据上进行训练，并在三名佩戴同一设备的不同用户上进行实时测试。该测试集包含两名未出现在训练集中的用户，以展示模型在不同个体间的泛化能力。结果表明，所提出的方法能够拟合实际重量分布，R2=0.9，且预测时间小于1 ms，适用于实时控制。闭环外骨骼控制实验表明，基于深度学习的重量分布估计可用于替代地面和跑步机行走中的力传感器。
引用
@article{arxiv.2402.04180,
title = {Deep-Learning Estimation of Weight Distribution Using Joint Kinematics for Lower-Limb Exoskeleton Control},
author = {Clément Lhoste and Emek Barış Küçüktabak and Lorenzo Vianello and Lorenzo Amato and Matthew R. Short and Kevin Lynch and Jose L. Pons},
journal= {arXiv preprint arXiv:2402.04180},
year = {2026}
}