Kami Studio
← 返回文章列表

Gait Phase Estimation

步态相位估计

整理两篇关于髋外骨骼步态相位估计的论文:相图方法、GPE 助力算法与 CNN 实时估计器。

Clinical trials of GPE-based muscle support algorithm for robotic hip exoskeleton: a pilot study

作者:Dongbin Shin等

期刊:Scientific Reports

研究背景

髋关节外骨骼(RHE, robotic hip exoskeleton)被认为是改善步态功能的一种可行方案,但其控制效果高度依赖于步态周期估计是否准确。论文指出,已有 gait phase estimation(GPE)方法主要有三类:

  • 基于足底传感器(FSR) 的方法
  • 基于自适应频率振荡器(AFO/PSAO)的方法
  • 基于相图/深度学习的方法

FSR 更适合带足部结构的外骨骼;AFO/PSAO 在参数调节和泛化性上有问题;深度学习则对数据量和算力要求较高,不利于嵌入式实时部署。为此,作者提出一种更适合便携式、嵌入式髋外骨骼的 GPE-based muscle support algorithm

核心方法

图示来自原始笔记,未随网站发布。

STOP & GO

论文当中并没有详细介绍启停算法,可能是用一个启动/停止的状态机。

  • 启动到停止的转换条件是:相邻两个局部最大摆角;角速度小于阈值
  • 停止到启动的转换条件是摆角和角速度是否满足对称阈值条件
图示来自原始笔记,未随网站发布。

相图构造

原始角度-角速度相图通常是一个偏椭圆,不利于直接做线性 gait phase 估计,所以作者先对原始信号做低通滤波,再通过归一化和 atan2 运算,把这个椭圆轨迹变成更接近圆形的相轨迹,最后映射到 [0,1] 范围,作为 gait cycle。

相图缩放系数:\(k = \frac{\left|\tilde{\dot{\theta}}_{\max}-\tilde{\dot{\theta}}_{\min}\right|} {\left|\tilde{\theta}_{\max}-\tilde{\theta}_{\min}\right|}\)

角度中心偏置:\(\alpha = \frac{\tilde{\theta}_{\max}+\tilde{\theta}_{\min}}{2}\)

角速度中心偏置:\(\beta = \frac{\tilde{\dot{\theta}}_{\max}+\tilde{\dot{\theta}}_{\min}}{2}\)

步态相位估计: \(\phi = \frac{\operatorname{atan2}\!\left(k(\tilde{\theta}-\alpha),\, \tilde{\dot{\theta}}-\beta\right)}{2\pi}\)

相位归一化: \(\phi = \phi + 1 \qquad (\phi < 0)\)

助力力矩

根据正常步行中髋关节力矩特性,将助力力矩大致划分为:

  • 20–60% gait cycle:提供 extension torque
  • 60–100% gait cycle:提供 flexion torque

个人思考

步态相位训练输入:[left_angle, left_vel, right_angle, right_vel]

输出:

\[\left(\sin(2\pi\phi),\ \cos(2\pi\phi)\right)\]
\[\phi = \frac{\operatorname{atan2}\!\big(\sin(2\pi\phi),\ \cos(2\pi\phi)\big)}{2\pi}\]

可以以相位图输出的相位做监督学习

Real-Time Gait Phase Estimation for Robotic Hip Exoskeleton Control During Multimodal Locomotion

作者:Inseung Kang等

期刊:IEEE Robotics and Automation Letters (RA-L), 2021

研究背景

这篇论文关注的是髋外骨骼在多模态运动中的实时步态相位估计问题。这里的“多模态运动”包括:平地行走(LG) 上坡(RA) 下坡(RD) 上楼(SA) 下楼(SD) 以及这些模式之间的切换。

传统的TBE方法使用脚跟接触信息,通过将自最近脚跟接触以来的时间除以用户之前跨步的平均步幅持续时间来估计用户的步态阶段。虽然这种方法可以在跑步机上以恒定的步行速度可靠地工作。

  • 用户动态改变步行速度(步态阶段估计超前或滞后),它就无法提供准确的估计。
  • 以不同的运动模式(例如坡道和楼梯)在地面行走时,TBE 会在步态相位估计中显示出更大的误差。

因此,本文的核心目标是做一个不依赖显式地形/模式识别、能在真实多地形步行中实时工作的步态相位估计器。

核心方法

生物力矩控制器

\[\tau = \sum_{i=1}^{n} a_i \mathcal{N}(x, \mu_i, \sigma_i)\]
\[\mathcal{N}(x, \mu, \sigma) = e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2}\]
图示来自原始笔记,未随网站发布。

Ground truth gait phase

  • 髋关节最大伸展对应的时刻作为 0% gait phase
  • 没有直接回归 phase 百分比,而是把 phase 转成笛卡尔坐标\(\left(\sin(2\pi\phi),\ \cos(2\pi\phi)\right)\)

CNN

时间序列 → Conv1 → Conv2 → Flatten/Sigmoid → Dense/tanh → gait phase conversion

图示来自原始笔记,未随网站发布。

个人思考

针对不同地形可用的步态相位估计器,但是地形信息还是需要人来手动输入,这里可以考虑网络同时输出相位和地形。棘手的问题是transition gait cycle该如何划分,应该使用哪种力矩。