Human activity recognition and optimization of biped exoskeletes through artificial intelligence: an integrated approach

Abstract

This paper explores the integration of inertial sensor-based human activity recognition (HAR) with the optimization of bipedal exoskeletons using artificial intelligence (AI) techniques. The motivation for the study stems from the need to improve the adaptability and energy efficiency of exoskeletons for practical applications. The specific hypothesis is that combining HAR with reinforcement learning (RL) can lead to personalized and efficient control strategies. The aim of the research is to develop a robust HAR system for classifying activities such as normal walking, stair climbing/climbing and sitting/standing, and to optimize exoskeleton control through AI-based simulations. The methodology involves pre-processing sensor data (accelerometer and gyroscope) by segmentation and feature extraction, followed by supervised classification with Support Vector Machines (SVM) and Random Forest, and RL optimization in simulated environments such as Webots. Preliminary results indicate an HAR accuracy of 92% and a 15% reduction in metabolic cost by RL, improving stability and user comfort. This innovative approach contributes to exoskeleton design by reducing man.

Această lucrare explorează integrarea recunoașterii activității umane bazate pe senzori inerțiali (HAR) cu optimizarea exoscheletelor bipede utilizând tehnici de inteligență artificială (AI). Motivația pentru acest studiu provine din necesitatea de a îmbunătăți adaptabilitatea și eficiența energetică a exoscheletelor pentru aplicații practice. Ipoteza specifică este că combinarea HAR cu învățarea prin consolidare (RL) poate duce la strategii de control personalizate și eficiente. Scopul cercetării este de a dezvolta un sistem HAR robust pentru clasificarea activităților, cum ar fi mersul normal, urcatul scărilor și statul în picioare și optimizarea controlului exoscheletului prin simulări bazate pe AI. Metodologia implică preprocesarea datelor senzorilor (accelerometru și giroscop) prin segmentare și extragerea caracteristicilor, urmată de clasificarea supravegheată cu Support Vector Machines (SVM) și Random Forest și optimizarea RL în medii simulate, cum ar fi Webots. Rezultatele preliminare indică o precizie HAR de 92% și o reducere cu 15% a costului metabolic prin RL, îmbunătățind stabilitatea și confortul utilizatorului. Această abordare inovatoare contribuie la proiectarea exoscheletului prin reducerea ajustărilor manuale, cu aplicații potențiale în reabilitare și augmentare fizică.