AI-Based Motion Prediction for Occupational Exoskeleton Control : From Simulation to User Evaluation
Prédiction du mouvement basée intelligence artificielle pour le contrôle d'exosquelette actif : de la simulation à l'étude utilisateur
Résumé
Exoskeletons can help address work-related musculoskeletal disorders (WMSDs). Currently, most exoskeletons used in industry are passive devices: they provide mechanical assistance using springs or elastic bands, but are often limited to a single type of task, which hinders their practical adoption. Active, motor-driven exoskeletons have the potential to provide more versatile and greater assistance. However, their control remains a challenge; the exoskeleton must understand how to assist the user in the task at hand. More precisely, in an industrial load-handling context, the exoskeleton must determine how to relieve the user of all or part of the weight being manipulated, while still letting the user move freely and accomplish the task. Commercially, few active exoskeletons are available, and those that exist focus mainly on providing assistance at he hips and back, but not at the arms. For upper-limb assistance, most current control methods rely on electromyography (EMG) sensors that measure muscle activation and thus infer the user's movement intention. Although effective, these methods are difficult to deploy in the field because EMG sensors require skin preparation and precise placement. In this work, the idea is to infer the user's movement intention using motion (kinematic) sensors and to employ machine learning to predict it. However, machine-learning methods −particularly deep learning− require large amounts of data for training. In robotics, learning-based control methods are often trained on simulated data, which are less expensive to collect, and then transferred to the real world. But in the case of exoskeletons, simulating the interaction between the user and the exoskeleton is a challenge, as it must account for the human, the exoskeleton, and their interaction. In this context, the objective is to develop tools that simulate the interaction between a user and an active exoskeleton, to use these tools to train machine-learning methods for exoskeleton control, and to propose and test the predictive controller in user studies. First, we propose a simulated exoskeleton-control approach that generates kinematic and dynamic data starting from a motion-capture database. A quadratic-programming (QP) controller is used to control the exoskeleton in a physics simulator; the references for this controller are retargeted from a motion-capture database. This work makes it possible to generate exoskeleton data corresponding to the movements of a human wearing an exoskeleton and to train motion-prediction algorithms. However, the human is not present in the simulation; therefore, we next propose an approach to simulate the interaction between the user and the exoskeleton. In this second contribution, the human is present in the physics simulation and is animated via a QP controller that replays pre-recorded human movements. The exoskeleton is coupled to the human through spring-damper contact points that allow physical interaction in simulation. This approach allows the generation of more realistic data and the testing of active-exoskeleton controllers in a simulated environment. Third, we propose an active exoskeleton-control approach based on predicting the user's movement. An impedance controller is used whose position target is the position predicted by neural networks. This controller is tested in user studies, and the results show that the approach is promising for controlling active exoskeletons both for transparency (the phase in which the user should not feel the exoskeleton) and for load carriage (the phase in which the exoskeleton relieves the user of the load being handled).
Les exosquelettes peuvent permettre de s'attaquer aux troubles musculo-squelettiques liés au travail (TMS). Actuellement, la plupart des exosquelettes utilisés dans l'industrie sont des dispositifs passifs : ils fournissent une assistance mécanique en utilisant des ressorts ou des bandes élastiques, mais sont souvent limités à un type de tâche spécifique, limitant leur adoption en pratique. Les exosquelettes actifs, actionnés par des moteurs, ont le potentiel de fournir une assistance plus versatile et plus élevée. Cependant, leur contrôle reste un défi, l'exosquelette doit comprendre comment aider l'utilisateur dans sa tâche. Dans le commerce, peu d'exosquelettes actifs sont disponibles, et ceux qui existent s'intéressent principalement à fournir une assistance au niveau des hanches et du dos, mais pas au niveau des bras. Pour l'assistance du membre supérieur, la plupart des méthodes de contrôle actuelles reposent sur l'utilisation de capteurs de mesure de l'activation musculaire (EMG) qui donnent notamment une information sur l'intention de mouvement de l'utilisateur. Ces méthodes, bien qu'efficaces, sont difficiles à mettre en place sur le terrain à cause de la difficulté d'utilisation des capteurs EMG qui nécessitent une préparation de la peau et un placement précis. Dans ce travail, l'idée est d'avoir une information sur l'intention de mouvement de l'utilisateur grâce à des capteurs de mouvement (cinématique) et d'utiliser de l'apprentissage automatique pour prédire l'intention de mouvement de l'utilisateur. Cependant, les méthodes d'apprentissage automatique, notamment l'apprentissage profond, nécessitent de grandes quantités de données pour s'entraîner. En robotique, les méthodes de contrôle basées sur l'apprentissage sont souvent entraînées sur des données simulées, moins coûteuses à collecter, et ensuite transférées vers le monde réel. Mais, dans le cas des exosquelettes, la simulation de l'interaction entre l'utilisateur et l'exosquelette est un défi, car elle doit prendre en compte l'humain, l'exosquelette et leur interaction. Dans ce contexte, l'objectif est de développer des outils permettant de simuler l'interaction entre un utilisateur et un exosquelette actif, d'utiliser ces outils pour entraîner des méthodes d'apprentissage automatique pour le contrôle de l'exosquelette et de proposer et tester le contrôleur prédictif lors d'études utilisateur. Dans un premier temps, nous proposons une approche de contrôle d'exosquelette en simulation permettant de générer des données cinématiques et dynamiques en partant d'une base de données de capture de mouvement. Ce travail permet de générer des données correspondant aux mouvements d'un humain équipé d'un exosquelette, et d'entraîner des algorithmes de prédiction de mouvement. Cependant, l'humain n'étant pas modélisé dans la simulation, nous proposons ensuite une approche simulant l'interaction utilisateur-exosquelette. L'humain y est représenté physiquement et animé par un contrôleur QP rejouant des mouvements pré-enregistrés. L'exosquelette y est couplé via des points de contact ressort-amortisseur simulant l'interaction physique. Cette méthode permet de produire des données plus réalistes et de tester des contrôleurs d'exosquelettes actifs en simulation. Enfin, nous proposons une stratégie de contrôle actif basée sur la prédiction du mouvement utilisateur. Un contrôleur en impédance utilise comme consigne la position prédite par des réseaux de neurones. Ce contrôleur est évalué dans des études utilisateurs, montrant son potentiel pour le contrôle d'exosquelettes actifs, en particulier pour la transparence (phase sans résistance perçue) et le port de charge (assistance à la manipulation).
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
