Online Sparse Gaussian Process Based Human Motion Intent Learning for an Electrically Actuated Lower

基于电驱动下肢外骨骼对人体运动意图的在线稀疏高斯过程学习。

1）摘要

下肢外骨骼最重要的一步是推断人体运动意图（HMI），这有助于实现人体外骨骼协作。由于用户是在控制回路中，人机交互（HRI）信息和HMI是非线性的，复杂的，难以用数学方法进行建模。利用机器学习方法可以学习非线性近似。高斯过程回归适用于高维和小样本非线性回归问题。由于计算复杂度，GP回归对大数据集是有限制的。本文构造了一种在线稀疏GP算法来学习人机交互。当用户穿戴有摩擦补偿的外骨骼系统时，尽可能地进行无约束运动，收集原始训练数据集。数据集有两种类型的数据，即（1）物理人机交互，它被放置在相互作用的扭矩传感器收集。活动关节，即膝关节交界处；（2）用光学位置传感器测量关节角位置。为了降低GP的计算复杂度，灰色关联分析被用来选定原始数据集和提供最终的训练数据集。这些超参数通过最大化边缘似然进行离线优化，并将其应用到在线GP回归算法中。作为人机交互的人体关节的角位置，将被视为机械腿的参考轨迹。为
了验证算法的有效性，在自然速度下对实验对象进行了实验。实验结果表明，该人机交互信息可以实时获得，可扩展应用于类似的外骨骼系统中。