深度域适应技术让可穿戴机器人控制不再依赖昂贵数据

数据驱动方法已经改变了我们利用可穿戴机器人评估和响应人体运动的能力，有望在现实世界中带来康复和功能增强的益处。然而，随着数据驱动方法的普及，以及对更高个性化和性能的需求，需要大量高质量的、特定于设备的数据。由于资源和人力成本，获取这些数据往往难以实现。我们提出了一个框架，通过利用生物力学模型中的模拟传感器构建一个“跳板域”，将易获取的数据转化到数据稀缺的领域，从而克服数据稀缺问题。我们开发并优化了一个深度域适应网络，该网络用开源数据集和未标记的外骨骼数据替代了昂贵的、特定于设备的标记数据。利用我们的网络，我们训练了一个髋膝关节力矩估计器，其性能可与使用完整特定设备数据集训练的最优模型相媲美[半监督模型的误差仅增加11%至20%（0.019至0.028牛·米/千克），无监督模型的误差增加20%至44%（0.033至0.062牛·米/千克）]。我们的网络显著优于没有域适应的对比网络（半监督模型误差为36%至45%，无监督模型误差为50%至60%）。在髋/膝外骨骼的实时控制环路中部署我们的模型（8名受试者）显示，估计器性能与离线结果相似，同时基于这些估计力矩增强了用户性能（与不使用外骨骼相比，代谢成本降低了9.5%至14.6%）。我们的框架使研究人员能够在获取标记的特定设备数据有限或无法获取的情况下，训练可实时部署的、与任务无关的深度学习模型。