[论文解读] Real-Time Gait Phase and Task Estimation for Controlling a Powered Ankle Exoskeleton on Extremely Uneven Terrain

Roberto Leo Medrano, Gray C. Thomas+3 more|arXiv (Cornell University)|Apr 30, 2022

Stroke Rehabilitation and Recovery被引用 4

一句话总结

本文提出了一种用于动力踝部外骨骼的实时控制器，该控制器使用扩展卡尔曼滤波器（EKF）在动态、不平坦表面行走过程中持续估计步态阶段、阶段速率、步长和地面坡度。控制器根据这些估计值实时调整扭矩辅助，实现了最先进的阶段估计精度（跑步机上RMSE：4.8 ± 2.4%，不平坦地形上RMSE：4.8 ± 2.7%），同时准确估计了坡度和步长等任务变量。

ABSTRACT

Positive biomechanical outcomes have been reported with lower-limb exoskeletons in laboratory settings, but these devices have difficulty delivering appropriate assistance in synchrony with human gait as the task or rate of phase progression change in real-world environments. This paper presents a controller for an ankle exoskeleton that uses a data-driven kinematic model to continuously estimate the phase, phase rate, stride length, and ground incline states during locomotion, which enables the real-time adaptation of torque assistance to match human torques observed in a multi-activity database of 10 able-bodied subjects. We demonstrate in live experiments with a new cohort of 10 able-bodied participants that the controller yields phase estimates comparable to the state of the art, while also estimating task variables with similar accuracy to recent machine learning approaches. The implemented controller successfully adapts its assistance in response to changing phase and task variables, both during controlled treadmill trials (N=10, phase RMSE: 4.8 +- 2.4\%) and a real-world stress test with extremely uneven terrain (N=1, phase RMSE: 4.8 +- 2.7\%).

研究动机与目标

• 开发一种用于动力下肢外骨骼的实时控制策略，使其能够适应真实环境中非稳态运动状态。
• 在动态行走过程中，同时且连续地估计步态阶段、阶段速率、步长和地面坡度。
• 通过实现实时调整扭矩轮廓以适应不断变化的步态状态和任务，改进基于时间的控制器。
• 在受控跑步机试验和高变异性的户外复杂地形中验证控制器的性能。

提出的方法

• 控制器使用基于10名健康受试者多活动数据库的、数据驱动的人体步态运动学模型。
• 扩展卡尔曼滤波器（EKF）利用外骨骼传感器测量数据（如脚部角度、小腿角度）估计状态向量，包括阶段、阶段速率、步长和地面坡度。
• EKF通过根据预期信号信息量动态调整对传感器测量的信任度，从而修改测量协方差。
• 系统使用非线性动态模型预测状态演化，并使用非线性测量模型将预测状态映射到传感器观测值。
• 控制器基于估计的阶段和任务变量实时调节扭矩辅助，实现个性化、自适应的支持。
• EKF初始使用稳态行走数据训练的步态模型，但设计用于处理过渡和非稳态状态。

实验结果

研究问题

• RQ1 基于EKF的实时步态阶段与任务估计系统是否能在不平坦地形的非稳态运动中实现高精度？
• RQ2 与最先进的基于时间的方法和基于机器学习的方法相比，基于EKF的控制器在估计步态阶段和任务变量方面的性能如何？
• RQ3 控制器在多大程度上能够根据实时变化的阶段速率、步长和地面坡度自适应调整扭矩辅助？
• RQ4 外骨骼辅助对传感器测量和估计精度有何影响，特别是在足底支撑早期阶段？
• RQ5 当用户因动力辅助而改变其步态模式时，EKF是否仍能保持鲁棒性能？

主要发现

• 在受控跑步机试验中，基于EKF的控制器实现了4.8 ± 2.4%的阶段估计均方根误差（RMSE），优于最先进的基于时间的方法。
• 在极端不平坦地形的真实世界压力测试中，控制器保持了4.8 ± 2.7%的阶段RMSE，证明其在动态、不可预测环境中的鲁棒性。
• 系统成功实现了步长和地面坡度的实时估计，其估计精度与近期基于机器学习的方法相当。
• 控制器根据估计的阶段和任务变量实时调整扭矩辅助，实现了在过渡阶段和复杂地形中个性化支持。
• 受试者在适应外骨骼辅助时表现出的个体差异（如提前脚跟离地动作）导致估计偏差，尤其在坡度估计中更为明显，最大负偏差达7.3°（一名受试者）。
• EKF的性能对由外骨骼引起步态变化敏感，表明未来迭代中采用个性化步态模型可能进一步提升精度。