Ground Perturbation Detection via Lower-Limb Kinematic States During Locomotion
作者: Maria T. Tagliaferri, Leonardo Campeggi, Owen N. Beck, Inseung Kang
分类: cs.RO
发布日期: 2024-12-09 (更新: 2025-05-02)
备注: 6 pages, 6 figures
💡 一句话要点
提出基于下肢运动学状态的地面扰动检测方法，提升外骨骼机器人控制能力
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 地面扰动检测 下肢运动学 外骨骼机器人 步态分析 数据驱动 运动状态估计
📋 核心要点
- 现有全身角动量扰动检测方法计算延迟高，对外骨骼应用不友好，需要新的解决方案。
- 该论文提出一种基于下肢运动学状态的扰动检测方法，通过跟踪运动学状态与稳态轨迹的偏差来识别扰动。
- 实验结果表明，该方法在扰动检测准确率上优于基准方法47.7%，且延迟较低，对外骨骼控制有潜力。
📝 摘要（中文）
在日常行走活动中，老年人因平衡受扰后的生理反应迟缓而容易跌倒。下肢外骨骼有望通过在用户跌倒前检测并响应扰动来减少跌倒事件。然而，常用的扰动检测指标——全身角动量，由于计算延迟和额外的调优工作，并不适合外骨骼应用。为了解决这个问题，我们开发了一种新的地面扰动检测器，该检测器利用行走过程中的下肢运动学状态。通过跟踪运动学状态与标称稳态轨迹的偏差来识别扰动。我们使用开源的地面扰动生物力学数据集，以数据驱动的方式进一步优化了检测器。对五名健康受试者进行的初步实验验证表明，我们的模型能够以98.8%的准确率和步态周期内仅23.1%的延迟区分受扰动和未受扰动的步态周期，检测准确率优于基准方法47.7%。研究结果表明，我们的检测器具有令人兴奋的应用前景，并有可能增强机器人辅助外骨骼的可控性。
🔬 方法详解
问题定义：论文旨在解决外骨骼机器人应用中，传统基于全身角动量的扰动检测方法存在的计算延迟和调优困难问题。这些问题限制了外骨骼对跌倒等突发情况的快速响应，影响了其安全性和实用性。现有方法难以满足外骨骼对实时性和准确性的需求。
核心思路：论文的核心思路是利用下肢运动学状态的变化来检测地面扰动。作者认为，下肢的运动状态能够更直接、更快速地反映地面的扰动情况，从而避免了全身角动量计算带来的延迟。通过监测下肢运动学参数与正常步态轨迹的偏差，可以及时识别出扰动事件。
技术框架：该方法的整体框架包括以下几个主要阶段：1) 数据采集：收集正常步态和受扰动步态下的下肢运动学数据。2) 稳态轨迹建模：建立正常步态下下肢运动学状态的标称稳态轨迹。3) 扰动检测：实时监测下肢运动学状态，计算其与稳态轨迹的偏差。4) 扰动识别：根据偏差的大小和模式，判断是否发生扰动。5) 性能评估：使用实验数据评估扰动检测的准确率和延迟。
关键创新：该方法最重要的创新点在于使用下肢运动学状态作为扰动检测的特征。与传统的全身角动量方法相比，该方法能够更直接、更快速地反映地面的扰动情况，从而降低了检测延迟。此外，该方法还采用了数据驱动的方式，利用大量的实验数据来优化扰动检测算法，提高了检测的准确率。
关键设计：论文的关键设计包括：1) 运动学参数的选择：选择合适的下肢运动学参数，如关节角度、角速度等，以最大程度地反映扰动信息。2) 稳态轨迹建模方法：采用合适的方法对正常步态下的下肢运动学状态进行建模，如高斯混合模型、隐马尔可夫模型等。3) 偏差计算方法：设计合适的偏差计算方法，以量化实际运动状态与稳态轨迹之间的差异。4) 扰动识别阈值的设定：通过实验数据确定合适的扰动识别阈值，以平衡检测的准确率和灵敏度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法能够以98.8%的准确率区分受扰动和未受扰动的步态周期，并且检测延迟仅为步态周期的23.1%。与基准方法相比，该方法的检测准确率提高了47.7%。这些结果表明，该方法在扰动检测方面具有显著的优势，能够为外骨骼机器人提供更快速、更准确的扰动信息。
🎯 应用场景
该研究成果可应用于多种场景，包括：1) 下肢外骨骼机器人：提高外骨骼对跌倒等突发情况的响应速度，增强其安全性和实用性。2) 步态分析与康复：用于评估患者的步态稳定性，辅助康复训练。3) 运动监测与风险评估：用于监测运动员的运动状态，评估其受伤风险。未来，该技术有望在医疗、康复、运动等领域发挥重要作用。
📄 摘要（原文）
Falls during daily ambulation activities are a leading cause of injury in older adults due to delayed physiological responses to disturbances of balance. Lower-limb exoskeletons have the potential to mitigate fall incidents by detecting and reacting to perturbations before the user. Although commonly used, the standard metric for perturbation detection, whole-body angular momentum, is poorly suited for exoskeleton applications due to computational delays and additional tunings. To address this, we developed a novel ground perturbation detector using lower-limb kinematic states during locomotion. To identify perturbations, we tracked deviations in the kinematic states from their nominal steady-state trajectories. Using a data-driven approach, we further optimized our detector with an open-source ground perturbation biomechanics dataset. A pilot experimental validation with five able-bodied subjects demonstrated that our model distinguished perturbed from unperturbed gait cycles with 98.8% accuracy and only a delay of 23.1% within the gait cycle, outperforming the benchmark by 47.7% in detection accuracy. The results of our study offer exciting promise for our detector and its potential utility to enhance the controllability of robotic assistive exoskeletons.