Locomotion Mode Transitions: Tackling System- and User-Specific Variability in Lower-Limb Exoskeletons
作者: Andrea Dal Prete, Zeynep Özge Orhan, Anastasia Bolotnikova, Marta Gandolla, Auke Ijspeert, Mohamed Bouri
分类: cs.RO
发布日期: 2024-11-19 (更新: 2024-11-26)
备注: 10 pages, 11 figures
💡 一句话要点
提出基于统计和贝叶斯优化的自适应有限状态机，提升下肢外骨骼步态切换检测精度。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 下肢外骨骼 步态切换检测 有限状态机 自适应控制 贝叶斯优化
📋 核心要点
- 现有步态切换检测方法难以适应用户行为和外骨骼设计的差异，导致精度下降和延迟。
- 论文提出基于统计和贝叶斯优化的自适应有限状态机，以应对用户和系统差异性。
- 实验表明，该方法显著提高了不同用户的步态切换检测精度，最高提升达80%。
📝 摘要（中文）
精确检测步态转换，例如行走至坐下、行走至上楼梯和下楼梯，对于有效控制下肢外骨骼等机器人辅助设备至关重要，因为每种步态模式都需要特定的辅助。用户或系统特定特征引入的传感器数据变异性使得在使用非自适应分类模型时难以维持高转换检测精度并避免延迟。本研究确定了影响转换检测性能的关键因素，包括用户行为的变化和外骨骼的不同机械设计。为了提高转换检测精度，我们引入了两种方法来调整有限状态机分类器，以适应系统和用户特定的变异性：基于统计的方法和贝叶斯优化。实验结果表明，与非个性化阈值方法相比，这两种方法显著提高了不同用户的转换检测精度，在某些情况下提高了高达 80%。这些发现强调了个性化在自适应控制系统中的重要性，突出了辅助设备中增强用户体验和有效性的潜力。通过将受试者和系统特定数据纳入模型训练过程，我们的方法为检测步态转换提供了一种精确可靠的解决方案，满足了个体用户的需求，并最终提高了辅助设备的性能。
🔬 方法详解
问题定义：论文旨在解决下肢外骨骼控制中，由于用户行为和外骨骼系统差异导致的步态切换检测精度问题。现有非自适应分类模型难以应对这些差异，导致检测精度下降和延迟，影响用户体验和辅助效果。
核心思路：核心思路是利用自适应的有限状态机（FSM）分类器，通过统计方法和贝叶斯优化两种策略，针对每个用户和外骨骼系统进行个性化调整。这种自适应性能够更好地捕捉个体差异，从而提高步态切换检测的准确性和鲁棒性。
技术框架：整体框架包括数据采集、特征提取、有限状态机分类器构建、自适应调整和步态切换检测。数据采集阶段获取用户在使用外骨骼时的传感器数据；特征提取阶段提取与步态相关的关键特征；有限状态机分类器根据预定义的步态状态和切换规则进行分类；自适应调整阶段利用统计方法或贝叶斯优化方法，根据用户和系统的特定数据调整FSM的参数；最后，步态切换检测模块输出当前的步态状态。
关键创新：关键创新在于提出了两种自适应调整FSM的方法：基于统计的方法和贝叶斯优化。基于统计的方法利用用户特定数据的统计信息来调整FSM的阈值；贝叶斯优化则通过优化FSM的参数，最大化在验证集上的性能。这两种方法都能够有效地适应用户和系统的差异，提高步态切换检测的精度。与现有方法的本质区别在于，现有方法通常使用固定的参数，无法适应个体差异。
关键设计：论文的关键设计包括：1) 选择合适的传感器数据和特征，例如关节角度、角速度等；2) 设计合理的有限状态机状态和切换规则，确保能够准确描述不同的步态模式；3) 选择合适的统计方法，例如均值、方差等，用于调整FSM的阈值；4) 选择合适的贝叶斯优化算法，例如高斯过程优化，用于优化FSM的参数；5) 设计合适的评估指标，例如准确率、召回率等，用于评估步态切换检测的性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于统计和贝叶斯优化的自适应有限状态机分类器，在步态切换检测精度方面取得了显著提升。与非个性化阈值方法相比，在不同用户场景下，该方法最高可提升80%的检测精度。这充分验证了个性化自适应方法在下肢外骨骼控制中的重要性和有效性。
🎯 应用场景
该研究成果可广泛应用于下肢外骨骼、假肢等辅助设备，以及康复机器人领域。通过提高步态切换检测的精度和鲁棒性，可以显著提升用户体验，增强辅助设备的智能化水平，并为个性化康复方案的制定提供技术支持。未来，该技术有望应用于更复杂的运动场景，例如户外地形适应和运动能力增强。
📄 摘要（原文）
Accurate detection of locomotion transitions, such as walk to sit, walk to stair ascent, and descent, is crucial to effectively control robotic assistive devices, such as lower-limb exoskeletons, as each locomotion mode requires specific assistance. Variability in collected sensor data introduced by user- or system-specific characteristics makes it challenging to maintain high transition detection accuracy while avoiding latency using non-adaptive classification models. In this study, we identified key factors influencing transition detection performance, including variations in user behavior, and different mechanical designs of the exoskeletons. To boost the transition detection accuracy, we introduced two methods for adapting a finite-state machine classifier to system- and user-specific variability: a Statistics-Based approach and Bayesian Optimization. Our experimental results demonstrate that both methods remarkably improve transition detection accuracy across diverse users, achieving up to an 80% increase in certain scenarios compared to the non-personalized threshold method. These findings emphasize the importance of personalization in adaptive control systems, underscoring the potential for enhanced user experience and effectiveness in assistive devices. By incorporating subject- and system-specific data into the model training process, our approach offers a precise and reliable solution for detecting locomotion transitions, catering to individual user needs, and ultimately improving the performance of assistive devices.