toplogo
リソース
サインイン

単一のIMUを使用した パワー付き足首義足の連続歩行認識


コアコンセプト
単一のIMUセンサを使用して、歩行速度、歩行位相、足首角度、角速度を同時に正確かつ連続的に予測する。
抽象
本研究は、パワー付き足首義足の新しい設計と、単一のIMUセンサを使用した連続歩行認識手法を提案している。 まず、義足の機械設計では、シリアルエラスティックアクチュエータ(SEA)に新しい平面ねじりばねを採用し、望ましい剛性と耐久性を実現している。有限要素解析により、ばねの設計パラメータと剛性、最大von Mises応力の関係を明らかにし、最適化を行っている。 次に、歩行認識システムでは、単一のIMUセンサから得られる下腿の角度と角速度情報を入力とし、多層パーセプトロン(MLP)ニューラルネットワークを用いて、歩行速度、歩行位相、足首角度、角速度を同時に予測する手法を提案している。OpenSimによる歩行シミュレーションデータと実験データを用いて、ネットワークを訓練し、高い予測精度を実現している。 最後に、提案した義足プロトタイプを用いた実験により、生物学的な足首の動作を良好に模擬できることを示している。
統計
歩行速度0~2m/sの範囲では、予測速度の相対誤差が10%以内のものが43%、25%以内のものが76%である。 歩行速度2~5m/sの範囲では、予測速度の相対誤差が10%以内のものが56%、25%以内のものが91%である。 足首角度の予測では、相対誤差が10%以内のものが41%、25%以内のものが63%である。ただし、角度が15°以上の範囲では、相対誤差が10%以内のものが87%、25%以内のものが96%である。
引用
なし

より深い問い合わせ

歩行速度の予測精度を更に向上させるためには、どのようなアプローチが考えられるだろうか。

歩行速度の予測精度を向上させるためには、以下のアプローチが考えられます。 データ量の増加: より多くの歩行データを収集し、ネットワークのトレーニングに使用することで、予測精度を向上させることができます。 モデルの複雑化: より複雑なニューラルネットワークモデルを構築し、非線形関係をより正確に捉えることができます。 特徴量エンジニアリング: IMUからの入力データに対して適切な特徴量エンジニアリングを行うことで、モデルの学習能力を向上させることができます。

提案手法では、歩行中の突発的な変化にどのように対応できるのか。

提案手法では、歩行中の突発的な変化に対応するために、連続的なデータ入力と出力を通じてフィルタリングを行うことが重要です。ネットワークは隣接する出力に制限を設け、大きな誤差を排除することで、予測精度を向上させます。また、ネットワークの計算頻度をIMUのサンプリング周波数に合わせ、高い頻度で計算を行うことで、突発的な変化にも迅速に対応することが可能です。

本研究で得られた知見は、他の下肢装着型ロボティクスにどのように応用できるだろうか。

本研究で得られた知見は、他の下肢装着型ロボティクスに以下のように応用できます。 連続的な歩行速度予測: 単一のIMUからのデータを用いて、連続的な歩行速度予測を実現する手法は、他の装着型ロボティクスでも適用可能です。 機械学習を活用した制御: ニューラルネットワークを用いた制御手法は、他の装着型ロボティクスの制御システムにも適用でき、複雑な動作を効果的に処理することができます。 柔軟なプロセス変更: プロセスの柔軟性を高めるために、本研究で提案された手法やアプローチは、他の下肢装着型ロボティクスの開発や改善に活用できます。
0