論文の概要: Event-Driven On-Sensor Locomotion Mode Recognition Using a Shank-Mounted IMU with Embedded Machine Learning for Exoskeleton Control
- arxiv url: http://arxiv.org/abs/2602.21418v1
- Date: Tue, 24 Feb 2026 22:45:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.689402
- Title: Event-Driven On-Sensor Locomotion Mode Recognition Using a Shank-Mounted IMU with Embedded Machine Learning for Exoskeleton Control
- Title（参考訳）: Shank-Mounted IMUを用いたイベント駆動型オンセンサロコモーションモード認識による外骨格制御
- Authors: Mohammadsaleh Razmi, Iman Shojaei,
- Abstract要約: 本研究は,シャンク搭載慣性測定ユニット(IMU)内で直接リアルタイム推論を行うウェアラブルヒューマンアクティビティ認識(HAR)システムを提案する。
本システムでは,STマイクロエレクトロニクス LSM6DSV16X IMU の組み込み機械学習コア (MLC) を用いて,センサレベルでの動作認識を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work presents a wearable human activity recognition (HAR) system that performs real-time inference directly inside a shank-mounted inertial measurement unit (IMU) to support low-latency control of a lower-limb exoskeleton. Unlike conventional approaches that continuously stream raw inertial data to a microcontroller for classification, the proposed system executes activity recognition at the sensor level using the embedded Machine Learning Core (MLC) of the STMicroelectronics LSM6DSV16X IMU, allowing the host microcontroller to remain in a low-power state and read only the recognized activity label from IMU registers. While the system generalizes to multiple human activities, this paper focuses on three representative locomotion modes - stance, level walking, and stair ascent - using data collected from adult participants. A lightweight decision-tree model was configured and deployed for on-sensor execution using ST MEMS Studio, enabling continuous operation without custom machine learning code on the microcontroller. During operation, the IMU asserts an interrupt when motion or a new classification is detected; the microcontroller wakes, reads the MLC output registers, and forwards the inferred mode to the exoskeleton controller. This interrupt-driven, on-sensor inference architecture reduces computation and communication overhead while preserving battery energy and improving robustness in distinguishing level walking from stair ascent for torque-assist control.
- Abstract（参考訳）: 本研究は、低域外骨格の低遅延制御を支援するために、シャンク搭載慣性測定ユニット(IMU)内で直接リアルタイム推論を行うウェアラブルヒューマンアクティビティ認識(HAR)システムを提案する。
本システムでは,STマイクロエレクトロニクス LSM6DSV16X IMU の組み込み機械学習コア (MLC) を用いて,センサレベルでの動作認識を行い,ホストマイクロコントローラを低電力状態に維持し,IMUレジスタから認識された動作ラベルのみを読み取る。
本研究は,複数の人間活動に一般化する一方で,成人参加者から収集したデータを用いて,姿勢,歩行レベル,階段上昇の3つの代表的な移動モードに焦点を当てた。
ST MEMS Studioを使ったオンセンサー実行のための軽量な決定ツリーモデルが設定され、マイクロコントローラ上のカスタム機械学習コードなしで連続的な操作を可能にする。
マイクロコントローラは起動し、MLC出力レジスタを読み出し、推定モードをエクソスケルトンコントローラに転送する。
この割り込み駆動オンセンサー推論アーキテクチャは、バッテリエネルギーを保ちながら計算と通信のオーバーヘッドを低減し、トルクアシスト制御のための階段上りからレベルウォーキングを区別する堅牢性を向上させる。
関連論文リスト
- Bio-Inspired Self-Supervised Learning for Wrist-worn IMU Signals [21.295169769759053]
モータ制御のサブムーブメント理論に基づく新しいトークン化戦略を導入する。
我々はトークンを有限列のサブムーブメントからなる動きの単位である移動セグメントとして定義する。
我々の表現は、6つの主題不一致HARベンチマークで強いウェアラブルSSLベースラインを上回ります。
論文 参考訳（メタデータ） (2026-03-11T16:48:33Z) - RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。
RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。
従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-11T10:14:37Z) - Gait Recognition Based on Tiny ML and IMU Sensors [1.2289361708127877]
本稿では,Tiny Machine Learning (Tiny ML) とInertial Measurement Unit (IMU) センサを用いた歩行認識システムの開発について述べる。
このシステムはXIAO-nRF52840 SenseマイクロコントローラとLSM6DS3 IMUセンサーを利用して、4つの異なるアクティビティから加速度と角速度を含む動きデータをキャプチャする。
収集されたデータはエッジAIプラットフォームであるEdge Impulseを通じて処理され、リアルタイムのアクティビティ分類のためにマイクロコントローラに直接デプロイ可能なマシンラーニングモデルのトレーニングが可能になる。
論文 参考訳（メタデータ） (2025-07-24T17:59:08Z) - Optimizing Model Splitting and Device Task Assignment for Deceptive Signal Assisted Private Multi-hop Split Learning [58.620753467152376]
我々のモデルでは、複数のエッジデバイスが共同で協調訓練を行い、一部の盗聴者はデバイスからモデルとデータ情報を収集することを目的としている。
盗聴者がモデルやデータ情報を集めるのを防止するため、装置のサブセットは、偽装信号を送信することができる。
本稿では,本質的な好奇性モジュールとクロスアテンションを備えたアクター批判型深層強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-09T22:53:23Z) - MCCoder: Streamlining Motion Control with LLM-Assisted Code Generation and Rigorous Verification [15.438969500630677]
大規模言語モデル(LLM)はコード生成において大きな可能性を証明している。
現在のAI支援モーションコントロールプログラミングの取り組みは、高レベル言語や関数ライブラリにはほとんど関心を示さず、PLCに重点を置いている。
動作制御コードを生成するためのLCMシステムであるMCCoderをソフトモーションコントローラと統合した。
論文 参考訳（メタデータ） (2024-10-19T16:46:21Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。
HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。
HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
論文 参考訳（メタデータ） (2024-03-29T13:57:46Z) - Multi-Scale Control Signal-Aware Transformer for Motion Synthesis
without Phase [72.01862340497314]
マルチスケール制御信号認識変換器(MCS-T)を提案する。
MCS-Tは補助情報を用いてメソッドが生成した動作に匹敵する動作をうまく生成できる。
論文 参考訳（メタデータ） (2023-03-03T02:56:44Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Learning-Based UE Classification in Millimeter-Wave Cellular Systems
With Mobility [67.81523988596841]
ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。
効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。
これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
論文 参考訳（メタデータ） (2021-09-13T12:00:45Z)
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。