基于模型无关元学习的自适应步态相位与地形几何估计：使用可穿戴软传感器

本信提出了一种基于模型无关元学习（MAML）的框架，该框架使用少量基于织物的可穿戴软传感器，同时精确估计人类步态相位和地形几何，并能高效适应未见过的受试者，在不同受试者和地形之间具有很强的泛化能力。与惯性测量单元等刚性替代方案相比，基于织物的软传感器提高了舒适度，但由于迟滞、放置误差和织物变形引入了非线性。此外，受试者间和地形间的变异性，加上现实部署中有限的校准数据，进一步使精确估计复杂化。为了应对这些挑战，所提出的框架将 MAML 集成到深度学习架构中，以学习一个可泛化的模型初始化，该初始化捕捉了与受试者和地形无关的结构。这种初始化能够实现对新用户的高效适应（即仅需少量校准数据和几个微调步骤即可适应），同时保持强大的泛化能力（即在所有受试者和地形上均具有高估计精度）。在 9 名参与者以不同速度在 5 种地形条件下行走的实验表明，所提出的框架在估计步态相位、运动模式和坡度角方面优于基线方法，具有更高的准确性、适应效率和泛化能力。