科学家开发出了一种操作框架,该框架无需昂贵且耗时的数据采集即可精确把控外骨骼。通过使用这种方法,该研究团队用开源和未标记数据集训练了一个髋关节和膝关节外骨骼控制器,并证明其提升用户性能的效率堪比用特定设备数据集训练的模型。Keaton Scherpereel 和同事写道:“我们的框架使研究人员能够在受限或无法访问标记过的针对特定设备的情况下训练可实时部署的与任务无关的深度学习模型。”最先进的外骨骼控制系统目前需要大量的已标记训练数据才能精确计算人体关节的活动和步态。此外,这些数据通常是具体设备特异性的,因而无法在外骨骼的原型或改进迭代中重复使用。为应对这些挑战,Scherpereel 等人设计了一个领域自适应框架,后者可利用开源生物力学数据集和模拟关节传感器数据,并接着将这些信息转换用于训练深度学习模型。这些模型随后可以无需收集针对具体任务的标记数据来控制特定的外骨骼并预测用户的动作。研究人员发现,他们的方法优于基线模型,其性能与能访问标记过的、设备特异性数据集的最佳案例模型相当。他们将该框架用于控制髋关节和膝关节外骨骼,并在 8 名参与者在完成举重、跳跃或坡道行走等各种任务时测试了其性能。Scherpereel 等人判定,他们的领域自适应方法或可通过减少与用户运动相关的代谢成本来提升使用者的运动表现。
关注研究趋势的记者请注意,一篇发表于2025 年 6 月《科学-机器人》杂事上的研究描述了一个有望降低可穿戴机器人准入门槛的开源外骨骼框架: https://www.science.org/doi/10.1126/scirobotics.adt1591另一篇发表于 2024 年 3 月《科学-机器人学》的研究描述了一个用神经网络来减少用户体力消耗的下肢外骨骼控制系统: https://www.science.org/doi/10.1126/scirobotics.adi8852