基于数据驱动的最佳行走机器人设计推荐框架
该研究采用机器学习方法,通过使用低成本的步行器安装的传感器获取的运动学信号,从而准确分类 Parkinson 病的严重程度阶段,并提供了一种解决传感器健康评估中常见的小数据和嘈杂数据问题的方法。
Jun, 2020
本研究探讨了步态分析作为评估下肢骨折患者的创伤后并发症,如感染、不正愈合或硬件刺激,的工具的潜力。研究关注了使用连续步态数据集预测并发症的监督式机器学习模型的效果。研究认为,机器学习,特别是 XGBoost,在骨科护理中的步态分析中有潜力,预测创伤后并发症,早期步态评估变得至关重要,揭示干预点,结果支持对骨科学的数据驱动方法的转变,提高患者的疗效。
Sep, 2023
本文提出了一种使用 RGB-D 摄像头的无接触方法,使用基于深度学习的算法来处理下肢 RGB-D 视频序列,以早期识别 / 检测人类动作,从而成功解码了人类运动和需求,使得智能步行器在康复中发挥更大作用。
Jan, 2023
本文提出了一种基于模型的机器人运动框架,在只采集 4.5 分钟(45,000 个控制步骤)的四足机器人数据的基础上实现了步行,通过引入跟踪多个时间步长上的模型预测的损失函数来准确地建模机器人的动力学,使学习到的模型可以进行实时控制,此方法比当前的无模型方法在样本效率上提高了一个数量级以上。
Jul, 2019
Rollator walkers with integrated sensors address poor posture and mobility issues, enabling data collection for older people, patients with rheumatism, multiple sclerosis, Parkinson's disease, and visual impairments.
Oct, 2023
通过机器学习方法,结合众包和手机数据以及其他人口、土地利用、地形和气候等多个数据集,本研究在澳大利亚新南威尔士州的大范围区域网络上开发和应用了一个模型,用于估计每日步行和骑行量。研究讨论了模型训练、测试和推断的挑战,提出了一种新的技术来识别模型估计的异常值并减轻其影响。该研究为交通模型师、政策制定者和城市规划师提供了一个有价值的资源,以改进基于先进的新兴数据驱动型建模方法的主动交通基础设施规划和政策。
Mar, 2024
提出了一种基于强化学习的个性化导航系统,根据不同视力障碍者的个人特点和行动能力,通过权重专家模型逐步调整系统用户交互体验,实现更精准的长期行为预测和快速适应性学习。
Apr, 2018
利用机器学习技术优化复杂系统的方法,通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果,本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。
Aug, 2019
本文提出了一种用于下肢外骨骼的个性化步态优化框架,通过基于偏好的交互学习来优化用户选择的参数以提高舒适性,并证明了 CoSpar 算法在模拟和外骨骼原型实现中均表现出有竞争力的性能,为外骨骼(或其他辅助设备)定制和个性化提供了一个有前途的起点。
Sep, 2019