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
III. 結果
A. ディープラーニング予測の検証
提案された LSTM モデルは、Leave-One-Out クロス検証アプローチを使用して評価されました。各反復で、モデルは 5 人の被験者でトレーニングされ、残りの被験者でテストされました。このテストでは、瞬間的な運動データ (TW = 0 ms) を使用するモデルと、運動データの履歴 (TW = 300 ms) を使用するモデルを比較しました。図 3 は、被験者 4 で構成されたテスト セットで評価された各モデルの予測と、実際の値を示しています。
瞬間的な運動データを使用するモデルでは、ラップトップ (ThinkPad X1 Carbon 5th、Lenovo) 上で予測時間が 201±70.7 µs になりましたが、運動データの履歴を利用すると予測時間が 573±308 µs になりました。
予測精度に関しては、運動データの履歴を組み込んだモデルの方が高い精度が得られました (TW = 0 ms: R2 = 0.84 ± 0.03、MSE = 1.8 × 10−2 ± 0.4、TW = 300 ms: R 2 = 0.90±0.02、MSE = 1.1×10−2 ±0.3)。表 I には、個々のユーザーに対するモデルの精度の詳細なレポートが示されています。具体的には、TW = 0 ms および TW = 300 ms の条件でのトレーニング セットとテスト セットの両方に対する R 2 パフォーマンスが含まれています。
B. トレッドミル歩行時のクローズドループパフォーマンス
ディープラーニング予測の検証後、提案手法による αˆ 推定のクローズドループ性能とトレッドミルフォースプレートから測定された真の α を比較しました。具体的には、推定または測定されたスタンス補間係数の値が WECC コントローラ (7) への入力として使用され、結果として生じる運動学および相互作用トルク誤差が歩行中に評価されました。クローズドループテスト中は、TW = 0 ms と比較して精度が向上した TW = 300 ms のモデルに焦点を当てましたが、それでもリアルタイム実装に適した予測時間 (0.57 ms) が得られました。
図 4 では、異なる条件下での正規化された歩行時間に対する立脚補間係数を示しています。トレッドミルフォースプレートとディープラーニングアプローチから得られた立脚補間係数の値は、3 つの異なる速度 (0.14 m/s、0.25 m/s、0.47 m/s) に対して表示されています。フォースプレートの値を使用する場合と比較して、提案された方法では、低速歩行時には立脚時間が長くなり、高速歩行時には立脚時間が短くなりました。0.14 m/s では、トレッドミルフォースプレートを使用した場合の立脚時間は歩行周期の 56.0 ± 4.8% であったのに対し、ディープラーニングを使用した場合は 67.1 ± 9.7% でした。0.25 m/s では、2 つのアプローチの立脚時間は同様で、トレッドミルフォースプレートを使用した場合は歩行周期の 59.6±6.99%、ディープラーニングを使用した場合は 65.1±1.6% でした。 最後に、0.47 m/s では、トレッドミルのフォースプレートでは立脚持続時間が 69.3±10.2% であったのに対し、ディープラーニングでは 59.7±5.74% でした。
触覚レンダリングと透明性の品質を評価するために、フォースプレートと、スタンス補間係数のディープラーニング予測をリアルタイムで使用して、相互作用トルク誤差を調査しました。図 5 は、動的ロボット モデルでフォースプレート測定とディープラーニング推定を使用しながら、レンダリング モードで相互作用トルクを追跡するパフォーマンスを示しています。スイングの開始時にディープラーニング メソッドを使用すると、相互作用トルク誤差が高くなることが観察されました。具体的には、つま先離れ (歩行周期の 60～70%) では、フォースプレートを使用した場合の平均股関節相互作用トルク誤差は 0.068 Nm/kg、ディープラーニングを使用した場合は 0.109 Nm/kg でした。ただし、この誤差は、スタンス フェーズではディープラーニング アプローチの方が低くなりました。歩行周期の 20～50% の範囲内では、平均股関節相互作用誤差は、フォースプレートを使用した場合は 0.111 Nm/kg、ディープラーニングを使用した場合は 0.033 Nm/kg でした。 3 人のユーザーによるサイクル全体の相互作用トルク誤差の平均は、2 つの条件間で同程度でした。股関節では、ディープラーニング条件とフォースプレート条件で、それぞれ 0.101 ± 0.004 Nm/kg と 0.094 ± 0.005 Nm/kg の平均絶対相互作用トルク誤差が観測されました。同様に、膝関節での平均絶対相互作用トルク誤差は、ディープラーニング条件とフォースプレート条件でそれぞれ 0.119±0.006 Nm/kg と 0.113±0.006 Nm/kg でした。
図6は、両条件での透明性のパフォーマンスの結果を示しています。ディープラーニングアプローチでは、フォースプレート条件と比較して、股関節相互作用トルク誤差が比較的小さくなりました（0.063±0.006 Nm/kg対0.073±
0.008 Nm/kg）。一方、ディープラーニング手法では、遊脚期の開始に該当する、正規化歩行の 60% から 70% の間で、膝関節での相互作用トルク誤差が高くなりました。この期間の平均膝相互作用トルク誤差は、フォースプレート条件では -0.207 Nm/kg、ディープラーニング手法では -0.312 Nm/kg でした。ユーザーはまた、歩行サイクルのこの特定の瞬間に外骨格が重く感じたと定性的に報告しました。歩行サイクル全体を通して、膝関節の平均相互作用トルク誤差は、ディープラーニング条件とフォースプレート条件で同様でした (0.078±0.007 Nm/kg 対 0.071±0.007 Nm/kg)。
C. 地上歩行時のクローズドループパフォーマンス
地上テスト中、ユーザーは、ディープラーニング推定値 (0.198 ± 0.020 m/s) と比較して、FSR フットプレート (0.241 ± 0.024 m/s) を使用してわずかに速い速度で歩くことを好むことが観察されました。図 7B の結果は、特に関節角度の大きさにおいて、2 つの条件間で同様の運動パターンを示しています。時間領域では、ディープラーニング アプローチ (75.3 ± 2.7%) では、FSR 条件 (63.1 ± 1.6%) と比較して、より長い立脚期間が観察されました。さらに、図 7 は、FSR またはディープラーニングを使用した代表的なユーザーの歩行サイクル全体の相互作用トルク誤差を示しています。 2 人のユーザーを平均したインタラクション トルク エラーは、ディープラーニング条件の方が高くなりました (ヒップ: FSR 使用時 0.094 ± 0.009 Nm/kg、ディープラーニング使用時 0.120 ± 0.014 Nm/kg、膝: FSR 使用時 0.083 ± 0.007 Nm/kg、ディープラーニング使用時 0.116 ± 0.009 Nm/kg)。