著者:
（１）クレメント・ロス、シャーリー・ライアン・アビリティラボの脚と歩行研究室、イリノイ州シカゴ、米国
（2）エメク・バリス・クチュクタバク、シャーリー・ライアン・アビリティラボの脚と歩行研究室、米国イリノイ州シカゴ、ノースウェスタン大学ロボティクス・バイオシステムセンター、米国イリノイ州エバンストン
（３）ロレンゾ・ヴィアネッロ、シャーリー・ライアン・アビリティラボの脚と歩行研究室、イリノイ州シカゴ、米国
（4）ロレンツォ・アマト、シャーリー・ライアン・アビリティラボの脚と歩行研究室、米国イリノイ州シカゴ、イタリア、サンタンナ高等学校バイオロボティクス研究所、およびサンタンナ高等学校ロボット工学・AI優秀学科、イタリア、ピサ
（５）マシュー・R・ショート、シャーリー・ライアン・アビリティラボの脚と歩行研究室、米国イリノイ州シカゴ、ノースウェスタン大学生体医工学部、米国イリノイ州エバンストン
（6）ケビン・リンチ2、ノースウェスタン大学ロボティクス・バイオシステムセンター、イリノイ州エバンストン、米国
（7）ホセ・L・ポンズ、シャーリー・ライアン・アビリティラボの脚と歩行研究室、米国イリノイ州シカゴ、ノースウェスタン大学ロボティクス・バイオシステムセンター、米国イリノイ州エバンストン、ノースウェスタン大学バイオメディカル工学部。
リンク一覧
概要と序論
II 方法
III 結果
IV 議論
V. 結論、謝辞、参考文献
IV. 議論
本論文では、下肢外骨格を装着したユーザーのさまざまな歩行条件での体重配分（すなわち、姿勢補間係数）を予測するディープラーニングモデルを評価し、この姿勢補間係数をディープラーニングモデル（αˆ）で推定した場合と、実際の値（トレッドミルフォースプレートまたはFSRセンサーパッド、α）で測定した場合の外骨格コントローラーのパフォーマンスを比較しました。この研究は、地面反応センサーを使用せずに関節運動情報のみを使用して、ディープラーニング予測を使用して歩行状態の変化を検出することの実現可能性と限界を強調しています。
同様の研究 (14) で見られるように、運動データの履歴を利用すると、瞬間値を使用する場合と比較してモデルの精度が向上することが示されています (図 3 および表 I)。これらの結果は、以前の時間ステップからの追加の時間データを利用する利点を示しており、トレーニングフェーズとテストフェーズの両方でネットワークのパフォーマンスが向上します。重要なことは、追加データを含めてもモデルの予測速度が大幅に変化しないことです。瞬間値の予測に関して、運動データの履歴を使用した場合と同等の予測時間を確認しました。
その結果、モデルはリアルタイム性能を実現するように実装されました。これは、外骨格の制御に使用する場合に重要です。予測はメイン制御ループよりも高速である必要があるためです。平均予測時間 0.57 ミリ秒を達成することで、システムのリアルタイムの使いやすさが保証されました。メイン制御ループは、下肢外骨格では通常 1 ミリ秒よりも大幅に遅く実行されるためです (たとえば、この研究の外骨格コントローラーの場合は 3 ミリ秒)。TensorFlow Lite を使用しない場合 (つまり、従来の TensorFlow ライブラリを使用する場合)、運動データの履歴を使用した平均予測時間は 67.1 ± 13.5 ミリ秒であり、ほとんどのリアルタイム アプリケーションでは使用できません。さらに、提案された方法は、以前のユーザーと新しいユーザーのスタンス補間係数の正確な予測を提供し (図 3 および表 I)、その使いやすさの別の側面を示しています。 すべての外骨格ユーザーにトレーニング データを要求することは、患者の治療を受ける時間を優先する必要がある身体リハビリテーションにおいては特に不便であり、現実的でもありません。
ロボット制御のための機械学習の文脈では、閉ループで予測を使用すると、リアルタイムでの誤差伝播によりパフォーマンスに影響を与える可能性があります (20)。そのため、いくつかの条件を使用して、システムのクローズドループパフォーマンスを評価することが重要でした。私たちは、触覚透過制御による歩行中に、ディープラーニングアプローチがトレッドミルフォースプレートと比較して同様のスタンス補間係数を生成することを実証しました。これらの結果は、0.14〜0.47 m/sの歩行速度に一般化されます (図4)。
深層学習予測が外骨格コントローラの性能に与える影響を特徴付けるために、トレッドミル歩行中の非ゼロインピーダンスの触覚レンダリングと触覚透明モードの両方を評価しました。さらに、これらの結果が地上歩行に一般化される範囲を評価しました。トレッドミル歩行中、平均相互作用トルク誤差は、深層学習予測とトレッドミル力計の測定値で類似していました。より自然な地上歩行中のコントローラの性能を評価すると、深層学習予測は、同様の相互作用トルク誤差プロファイル（図7A）と股関節および膝関節の運動学（図7B）も促進しました。
ディープラーニング予測と地面反応センサー値を実装した場合、外骨格コントローラーの全体的なパフォーマンスは同等でしたが、姿勢補間係数の推定に遅延のような効果が見られ、歩行サイクルの特定の段階でパフォーマンスの不一致が発生した可能性があります。具体的には、ディープラーニング予測を使用して低速で歩行すると、姿勢の持続時間が長くなることが観察されました (図 4)。これは、左と右の単一姿勢 (つまり、両姿勢からスイング) 間の遷移が長くなることに関連していました。
トレッドミルや地上での歩行中、膝の
股関節では、ディープラーニング予測では、遊脚期の開始時（周期の約60～70%、図6A）に相互作用トルク誤差が高くなることが観察されました。この相互作用トルク誤差の増加は、地上歩行中により顕著であり、股関節でも観察されました。この状態では、松葉杖の使用により、外骨格では測定されなかった追加の横方向の動きが促進された可能性があります（21）。
トレッドミル歩行と地上歩行の両方において、それぞれのグラウンドトゥルースに対する相互作用トルク誤差の不一致は、スタンス補間係数が変化する前にユーザーが運動学を変更することをディープラーニング モデルが要求していることが原因である可能性があります。これは、外骨格によって記録された運動学とは無関係に重量配分の変化を検出できる力センサーを使用する場合とは異なります。ディープラーニング モデルで重量配分の変化の検出を改善する 1 つの方法は、バックパックと関節エンコーダからの矢状面角度に加えて、バックパックの前面 IMU 角度を組み込むことです。