ExoGait-MS: 基于多尺度图网络学习周期动力学的外骨骼步态识别
机器人学
2025-05-26 v1 人工智能
摘要
当前的外骨骼控制方法在提供个性化治疗方面常常面临挑战。标准化的步行步态可能导致患者不适甚至受伤。因此，个性化步态对外骨骼机器人的有效性至关重要，因为它直接影响其对不同用户的适应性、舒适度和康复效果。为了在外骨骼辅助治疗及相关应用中实现个性化治疗，准确识别个人步态对于实施定制化步态控制至关重要。步态识别的关键挑战在于有效捕捉由关节协同作用引起的细微步态特征中的个体差异，如步频和步长。为解决这一问题，我们提出了一种新方法，利用多尺度全局稠密图卷积网络（GCN）在空间域中识别潜在的关节协同模式。此外，我们提出了一种步态非线性周期动力学学习模块，以有效捕捉时域中步态的周期性特征。为支持个人步态识别任务，我们构建了一个全面的步态数据集，确保其完整性和可靠性。实验结果表明，我们的方法在该数据集上取得了94.34%的优异准确率，超越当前最先进方法（SOTA）3.77%。这一进展凸显了我们方法在增强外骨骼辅助治疗中个性化步态控制方面的潜力。
引用
@article{arxiv.2505.18018,
title = {ExoGait-MS: Learning Periodic Dynamics with Multi-Scale Graph Network for Exoskeleton Gait Recognition},
author = {Lijiang Liu and Junyu Shi and Yong Sun and Zhiyuan Zhang and Jinni Zhou and Shugen Ma and Qiang Nie},
journal= {arXiv preprint arXiv:2505.18018},
year = {2025}
}