論文の概要: Hybrid LSTM-UKF Framework: Ankle Angle and Ground Reaction Force Estimation

• arxiv url: http://arxiv.org/abs/2601.06473v1
• Date: Sat, 10 Jan 2026 07:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.835567
• Title: Hybrid LSTM-UKF Framework: Ankle Angle and Ground Reaction Force Estimation
• Title（参考訳）: ハイブリッドLSTM-UKFフレームワーク:足首角度と地面反応力の推定
• Authors: Mundla Narasimhappa, Praveen Kumar,
• Abstract要約: 本研究では,足関節角度と地面反応力(GRF)を様々な歩行速度で推定するためのLSTM-UKFハイブリッドフレームワークを提案する。 マルチモーダルセンサ融合戦略は、生体力学的文脈を豊かにするために、力板データ、膝角、GRF信号を統合する。 LSTM-UKFはスタンドアローンのLSTMとUKFのモデルより一貫して優れており、3km/hでのGRF予測では最大18.6%低いRMSEを実現した。
• 参考スコア（独自算出の注目度）: 2.256540586308198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of joint kinematics and kinetics is essential for advancing gait analysis and developing intelligent assistive systems such as prosthetics and exoskeletons. This study presents a hybrid LSTM-UKF framework for estimating ankle angle and ground reaction force (GRF) across varying walking speeds. A multimodal sensor fusion strategy integrates force plate data, knee angle, and GRF signals to enrich biomechanical context. Model performance was evaluated using RMSE and $R^2$ under subject-specific validation. The LSTM-UKF consistently outperformed standalone LSTM and UKF models, achieving up to 18.6\% lower RMSE for GRF prediction at 3 km/h. Additionally, UKF integration improved robustness, reducing ankle angle RMSE by up to 22.4\% compared to UKF alone at 1 km/h. These results underscore the effectiveness of hybrid architectures for reliable gait prediction across subjects and walking conditions.
• Abstract（参考訳）: 関節キネマティクスと運動学の正確な予測は歩行解析を進め、人工装具や外骨格のようなインテリジェントな補助システムを開発するために不可欠である。 本研究では,足関節角度と地面反応力(GRF)を様々な歩行速度で推定するためのLSTM-UKFハイブリッドフレームワークを提案する。 マルチモーダルセンサ融合戦略は、生体力学的文脈を豊かにするために、力板データ、膝角、GRF信号を統合する。 モデル性能はRMSEと$R^2$で評価した。 LSTM-UKFはスタンドアローンのLSTMとUKFモデルより一貫して優れており、3km/hでのGRF予測では最大18.6\%低いRMSEを実現した。 さらに、UKFの統合によりロバスト性が向上し、RMSEはUKF単独の1km/hに比べて最大22.4\%低下した。 これらの結果は、被験者と歩行条件をまたいだ歩行予測におけるハイブリッドアーキテクチャの有効性を裏付けるものである。

関連論文リスト

• Lightweight MSA Design Advances Protein Folding From Evolutionary Embeddings [51.731441632457226]
  マルチシークエンスアライメント(MSA)は低ホモロジーおよび孤児タンパク質で機能する。 我々は、下流の折り畳みをより良くサポートするMSAを生成する軽量なMSA設計フレームワークPLAMEを紹介する。 AlphaFold2の低ホモロジー/孤児ベンチマークでは、PLAMEは構造精度の最先端の改善を提供する。
  論文  参考訳（メタデータ） (2025-06-17T04:11:30Z)
• Mobility-Aware Asynchronous Federated Learning with Dynamic Sparsification [14.942677904783759]
  本稿では,スペーシフィケーション,モデルスタルネス,モビリティに起因した接触パターン間の相互作用を特徴付ける理論的モデルを開発する。 本稿では,接触時間とモデル安定化度に基づいてスペーシフィケーション度を最適化する移動性を考慮した動的スペーシフィケーションアルゴリズムを提案する。 最先端のベンチマークと比較すると、MADSアルゴリズムはCIFAR-10データセットの画像分類精度を8.76%向上し、Argoverse軌道予測データセットの平均変位誤差を9.46%削減する。
  論文  参考訳（メタデータ） (2025-06-08T23:58:32Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Semi-Asynchronous Federated Edge Learning Mechanism via Over-the-air Computation [4.598679151181452]
  FEELシステムのトレーニング効率を向上させるために,AirCompスキーム(PAOTA)を用いた半非同期アグリゲーションFEEL機構を提案する。 提案アルゴリズムは, 理想的な局所SGDに近い収束性能を実現する。
  論文  参考訳（メタデータ） (2023-05-06T15:06:03Z)
• Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
  垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
  論文  参考訳（メタデータ） (2021-12-26T14:41:52Z)
• A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting [26.834110647177965]
  バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。 量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みにつながっている。 Asymmetric Laplace quasi-likelihoodをベースとしたハイブリッドモデルを開発し、機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて、VaRとESの基盤となるダイナミクスを効率的に捉える。
  論文  参考訳（メタデータ） (2020-01-23T05:13:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。