基于贴肩IMU的事件驱动传感器内步态模式识别——面向外骨骼控制的嵌入式机器学习
机器人学
2026-02-26 v1
摘要
本文提出了一种可穿戴人类活动识别（HAR）系统，能够在贴肩安装的惯性测量单元（IMU）内部进行实时推断，以支持下肢外骨骼的低延迟控制。不同于持续将原始惯性数据流式传输至微控制器进行分类的常规方法，本文提出的系统在传感器层面执行活动识别，利用 STMicroelectronics LSM6DSV16X IMU 内置的机器学习核心（MLC），使主机微控制器保持低功耗状态，仅从IMU寄存器读取已识别的活动标签。该系统可推广至多种人类活动，本文聚焦于三个典型步态模式——站立、平行行走和爬楼梯——使用来自成年受试者收集的数据。配置并部署轻量级决策树模型实现传感器内执行，使其在微控制器上无需自定义机器学习代码即可持续运行。运行时，IMU在检测到运动或新分类时断言中断；微控制器醒取读取MLC输出寄存器，将推断得到的模式传递至外骨骼控制器。该事件驱动的、在传感器内的推理架构减少计算和通信开销，同时保持电池能源，提高了在扭矩助力控制中区分平行行走和爬楼梯的鲁棒性。
引用
@article{arxiv.2602.21418,
title = {Event-Driven On-Sensor Locomotion Mode Recognition Using a Shank-Mounted IMU with Embedded Machine Learning for Exoskeleton Control},
author = {Mohammadsaleh Razmi and Iman Shojaei},
journal= {arXiv preprint arXiv:2602.21418},
year = {2026}
}
备注
10 pages, 6 figures. Sensor-level HAR using embedded IMU machine learning for wearable robotics