KI-baseret estimering af 3D GRF: Fremtiden for biomekanisk analyse

Ground Reaction Forces (GRF) spiller en afgørende rolle i biomekanisk analyse og giver indsigt i de kræfter, der virker mellem kroppen og jorden under bevægelse. Traditionelt er disse kræfter blevet målt ved hjælp af avancerede kraftplader, men teknologiske fremskridt, især inden for kunstig intelligens (AI) og neurale netværk, åbner op for nye, sensorfri metoder til GRF-estimering. Denne artikel dykker ned i, hvordan Bi-lateral Long Short-Term Memory (BiLSTM) og Multi-layer Perceptron (MLP) neurale netværk muliggør præcis estimering af 3D GRF, hvilket transformerer områder som ganganalyse og robotteknologi.

Udfordringer ved traditionel GRF-måling

Måling af GRF under specifikke aktiviteter som gang på trapper kan være teknisk udfordrende. Instrumenterede trapper er ofte nødvendige, hvilket begrænser forskningsmulighederne. Desuden kan traditionelle målemetoder være dyre, besværlige at implementere og følsomme over for fejl, især i komplekse bevægelsesmønstre. Behovet for at undgå disse begrænsninger har drevet udviklingen af alternative metoder, der udnytter de avancerede beregningsmæssige kapaciteter af neurale netværk.

BiLSTM: Estimering af 3D GRF under gang på trapper

Forskning har vist, at BiLSTM-neurale netværk kan estimere 3D GRF med imponerende nøjagtighed under gang på trapper, både op ad og ned ad. Ved at bruge helkropskinematik (bevægelsesdata) som input kan disse modeller lære de komplekse sammenhænge mellem kroppens bevægelser og de resulterende jordreaktionskræfter. Et studie, der involverede 80 forsøgspersoner, herunder både raske individer og personer med knæartrose, demonstrerede modellernes effektivitet. Modellerne opnåede korrelationer på 0.908-0.991 sammenlignet med de direkte målte GRF, med en Root Mean Squared Error (RMSE) på kun 3.29%-3.56% af kropsvægten (BW) og en normaliseret RMSE (nRMSE) under 5% og 8% for henholdsvis nedadgående og opadgående gang. En efterfølgende post-processing algoritme blev også udviklet til at fjerne artefakter i svingfasen, hvilket yderligere forbedrede nøjagtigheden. Denne tilgang giver forskere mulighed for at estimere 3D GRF under gang på trapper uden behov for dyre og komplekse instrumenterede trapper.

MLP: GRF-estimering for robotteknologi

Inden for robotteknologi, især for benede robotter, er GRF en fundamental komponent i programmering af bevægelse og stabilitet. Evnen til at estimere GRF uden behov for fysiske kraftsensorer tilbyder betydelige fordele, herunder systemforenkling og potentiale for prædiktion. En tilgang, der er blevet undersøgt, anvender et to-trins MLP-netværk. Det første trin trænes i et simuleret miljø til at estimere simulerede GRF, mens det andet trin anvender disse simulerede GRF som input for at bygge bro over kløften til den fysiske verden. Dette gøres ved at træne det andet trin med data fra den fysiske verden. Denne Sim2Real-metode har opnået en RMSE på 0.9949 N i bedste fald på valideringsdata. Netværket trænes udelukkende ved hjælp af encoder-data, hvilket eliminerer behovet for traditionelle kraftsensorer som load cells.

Fordele ved sensorfri GRF-estimering for robotter

• Systemforenkling: Reducerer kompleksiteten og omkostningerne ved robotdesign ved at fjerne behovet for fysiske kraftsensorer.
• Forbedret holdbarhed: Eliminerer potentielle fejl eller skader relateret til belastningsceller og deres montering.
• Øget fleksibilitet: Gør det muligt at designe robotfødder uden begrænsninger fra sensorplacering.
• Hurtigere respons: Potentielt hurtigere beregningstid sammenlignet med direkte måling og databehandling fra sensorer.
• Adaptiv læring: Mulighed for online læring til at tilpasse sig ændrede robotparametre eller miljøforhold.

MLP-arkitekturer og træningsstrategier

MLP-netværk er velegnede til at fange komplekse, ikke-lineære sammenhænge mellem robotparametre (såsom ledpositioner, hastigheder og drejningsmomenter) og GRF. Valget af aktiveringsfunktion, antal skjulte lag og antal noder i hvert lag er afgørende for netværkets ydeevne og estimeringshastighed. Forskning har vist, at swish-aktiveringsfunktionen ofte giver lavere RMSE-værdier end softsign, selvom estimeringstiden kan være marginalt længere. En kombination af ni skjulte lag med 32 noder i hvert lag er fundet at give en optimal balance mellem nøjagtighed og beregningsmæssig effektivitet. Træningsprocessen kan forbedres ved at anvende adaptive batch-størrelsesalgoritmer og optimeringsmetoder som Adam for hurtigere konvergens.

Sim2Real-broen: Fra simulation til virkelighed

En af de primære udfordringer ved at træne neurale netværk i simulerede miljøer og derefter anvende dem i den fysiske verden er domænekløften – forskellene mellem de simulerede og de virkelige forhold. Teknikker som domænerandomisering (variering af simulerede parametre) og domæneadaptation (finjustering af modellen med fysiske data) anvendes for at mindske denne kløft. En to-trins MLP-tilgang, hvor et simulations-trænet netværk efterfølges af et 'bro-netværk' trænet på fysiske data, er en effektiv strategi til at bygge bro over denne kløft. Dette sikrer, at modellen kan generalisere fra den ideelle simulerede verden til den mere uforudsigelige virkelige verden.

LSTM til ganghændelsesdetektion

Ud over direkte GRF-estimering anvendes LSTM-netværk også til at detektere specifikke ganghændelser som hælslag (Heel Strike, HS) og tå-afskub (Toe-Off, TO). Traditionelle metoder, der baserer sig på GRF-tærskler, kan fejle, når gangmønstre ændres markant, f.eks. ved brug af exoskeletter. LSTM-modeller, der kombinerer GRF-data med kinematiske data (f.eks. hælmarkørhøjde), har vist sig at være langt mere robuste. En ny model, der kombinerer output fra to separate LSTM-netværk (et med GRF-input, et med kinematiske input), har opnået en detektionsrate på over 98% inden for 16 ms af manuelt identificerede hændelser. Dette overgår tidligere LSTM-metoder, der kun brugte én datakilde, og traditionelle tærskelbaserede metoder, som ofte genererer falske positiver ved uregelmæssig gang. Denne hybridtilgang reducerer også behovet for træningsdata markant, hvilket gør den til et værdifuldt værktøj til automatiseret ganghændelsesdetektion.

Sammenligning af GRF-tærskel og LSTM

Det er vigtigt at skelne mellem en GRF-tærskelværdi og en LSTM-model. En GRF-tærskel er en simpel, foruddefineret værdi, som en GRF-måling skal overstige for at udløse en bestemt hændelse. Disse metoder er intuitive, men mangler robusthed over for variationer i gangmønstre og kan let føre til falske positiver eller negativer. LSTM (Long Short-Term Memory) er derimod en type recurrent neural network (RNN), der er designet til at behandle sekventielle data. LSTM-modeller kan lære komplekse tidsmæssige afhængigheder og mønstre i dataene. Ved at analysere en tidsserie af GRF- og/eller kinematiske data kan en LSTM-model mere præcist identificere subtile ændringer, der indikerer ganghændelser, selv under udfordrende forhold som brug af exoskeletter eller fod-drag. Mens tærskelmetoder er lette at implementere, tilbyder LSTM-modeller en langt højere nøjagtighed og robusthed, især i dynamiske og variable scenarier.

Fremtidsperspektiver

Udviklingen inden for AI-baseret GRF-estimering lover en fremtid, hvor biomekanisk analyse og robotkontrol bliver mere tilgængelig, præcis og omkostningseffektiv. Evnen til at estimere GRF uden fysiske sensorer vil utvivlsomt drive innovation inden for en bred vifke af applikationer, fra klinisk rehabilitering til avancerede robotplatforme. Videre forskning vil sandsynligvis fokusere på at forbedre Sim2Real-metoder, udvikle endnu mere effektive netværksarkitekturer og integrere disse teknologier i realtidsapplikationer.

Konklusion

BiLSTM- og MLP-neurale netværk repræsenterer et paradigmeskifte inden for estimering af Ground Reaction Forces. Ved at udnytte helkropskinematik eller sekventielle sensordata kan disse modeller præcist estimere 3D GRF, hvilket eliminerer behovet for traditionelle, ofte besværlige, kraftmålingssystemer. Fra at muliggøre detaljeret ganganalyse uden instrumenterede omgivelser til at forbedre kontrolstrategier for benede robotter, er potentialet for disse AI-drevne metoder enormt. Den fortsatte udvikling på dette felt lover at revolutionere vores forståelse og anvendelse af de kræfter, der styrer bevægelse.

Hvis du vil læse andre artikler, der ligner KI-baseret estimering af 3D GRF, kan du besøge kategorien Tøj.