.png){kind=icon}
返回
Fall analysis and prediction for humanoids
.png){kind=icon}
PRE
AI
DOI：10.1016/j.robot.2025.104995.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在双足步行的过程中，避免跌倒是重要且具有挑战性的问题，而应对这一挑战需要精确的跌倒预测方法。由于人形机器人的状态数据是高维特征空间中的时序信号，如何提取适当特征并使实际系统能够实现快速实时响应构成了重大挑战。我们为跌倒分析设计了一种凸包顶点选择（CHVS）算法，用于选择对评估机器人状态贡献更大的特征。对于跌倒预测，我们首先使用11维统计量从时序信号中提取特征。在状态分类后，进一步融合了时序累积效应，实现了在最小化误报率与最大化提前预测时间之间取得平衡。随后，我们为即将发生的跌倒设计了一种简单调整策略，并将其集成到整体控制框架中。我们使用机器人Q1的数据验证了所提出的跌倒预测算法，验证在样本量小的情况下进行。我们将该算法与主流基于学习的跌倒状态分类方法（如长短期记忆网络LSTM和卷积神经网络CNN）进行了比较。结果表明，状态分类的准确率提高了3%-5%，同时计算时间减少了超过一半。经过时间累积后，该算法可在误报率为0的情况下提前超过1秒进行预测。集成跌倒调整的控制框架在带上身部的Cassie机器人仿真中进行了测试，一些在原有框架下无法克服的扰动被调整至正常运动状态，证明了所提出的跌倒预测方法在实时动态场景中防止跌倒的有效性与可行性。
Keyword:
Humanoid fall
Data analysis
Fall detection
Fall prediction
Autonomous adjustment
期刊
IF:
5.2
论文数:
779
被引数:
1.0W
机构
引用论文
Deep Learning for Anomaly Detection in Time-Series Data: Review, Analysis, and Guidelines用于时间序列数据异常检测的深度学习: 回顾、分析和指南.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏分享收藏Hobbit, a care robot supporting independent living at home: First prototype and lessons learned
PREAI
分享收藏New Eldercare Robot with Path-Planning and Fall-Detection Capabilities具有路径规划和跌倒检测功能的新型Eldercare机器人
OAAI
OAAI分享收藏
查看更多内容