一种轻量级的电缆驱动髋部助力外骨骼，采用基于VAE-CTNet的髋部轨迹预测控制技术

《IEEE Sensors Journal》：A Lightweight Cable-Driven Hip-Power-Assisting Exoskeleton Utilizing VAE-CTNet-Based Hip-Trajectory-Prediction Control

　　

摘要：

在下肢动力辅助外骨骼（LLPaE）中实现高效的人机交互，关键依赖于基于精确轨迹预测（TP）的控制。然而，传统的数据驱动TP方法通常需要大量数据集，并且在数据稀缺的情况下泛化性能有限。在这项研究中，我们开发了一种轻量级的电缆驱动LLPaE，名为Nu-HPaE，它通过电机驱动的电缆提供髋部辅助，并利用精确的TP实现自适应控制。我们提出了一种名为变分自编码器（VAE）-CTNet的新TP模型，该模型结合了VAE、卷积神经网络（CNN）和Transformer架构。VAE-CTNet通过VAE进行数据增强，并利用CNN和Transformer捕捉运动序列中的多尺度时间局部特征和长距离依赖性，从而实现精确的TP。我们使用惯性测量单元（IMUs）收集了包含六种常见日常动作的数据集来训练VAE-CTNet。实验分析表明，集成的VAE模块通过生成多样且生理上合理的髋关节轨迹有效地进行了数据增强，显著提高了泛化能力。此外，在Nu-HPaE原型测试中，设计了四种由这六种日常动作组合而成的运动序列，进一步验证了VAE-CTNet的实时TP性能。同时，对直肌和二头肌的表面肌电图（sEMG）信号的比较分析也证实了Nu-HPaE提供的动力辅助效果。所提出的VAE-CTNet在Nu-HPaE中实现了高精度的TP，验证了其在人机协作中的巨大潜力。此外，Nu-HPaE提供的动力辅助效果也证明了该外骨骼设计的合理性。

引言

近年来，随着机器人技术的发展，下肢动力辅助外骨骼（LLPaE）的研究应运而生。LLPaE在农业、工业、康复等领域具有广泛的应用潜力，[1]、[2]、[3]、[4]、[5]、[6]，因为它通过人机交互帮助人们改善下肢运动能力。在LLPaE中实现准确和高效的动力辅助面临以下挑战。首先，在机械结构方面，不同佩戴者之间的运动轨迹多样性要求LLPaE适应人类下肢的生物力学特性。结构设计必须满足舒适性、轻量化和灵活性的要求，以确保与人体无缝交互[7]。其次，在LLPaE控制系统方面，核心挑战在于实现高效和稳健的人机协作[8]。准确识别佩戴者的运动意图至关重要，这需要通过传感器和相应的算法进行实时轨迹预测（TP），以实现有效的人机协作[9]、[10]。目前关于运动意图识别的研究主要集中在两种不同的方法上：基于机制的方法和数据驱动的方法。