論文の概要: ExoTraj: A General Lower-limb Exoskeleton Assistance Policy for Complex Environments

• arxiv url: http://arxiv.org/abs/2606.16876v1
• Date: Mon, 15 Jun 2026 15:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.682407
• Title: ExoTraj: A General Lower-limb Exoskeleton Assistance Policy for Complex Environments
• Title（参考訳）: ExoTraj:複合環境における一般低層エクソスケルトン支援政策
• Authors: Xiao-Yin Liu, Guotao Li, Long Sun, Xu Liang, Zeng-Guang Hou,
• Abstract要約: このような問題に対処するための効果的なアプローチの1つとして、軌道予測が登場した。 本稿では,高速な流れマッチング手法を提案する。 実験の結果、従来の手法と比較して、ExoTrajはオンラインフェーズにおいて、オブジェクト間の予測誤差を14.0%削減していることがわかった。
• 参考スコア（独自算出の注目度）: 14.416314522849321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive torque prediction in dynamic exoskeleton scenarios requires expensive motion capture systems, which are infeasible in complex outdoor environments. Trajectory prediction has emerged as one of the effective approaches to address such an issue. However, the core challenges of exoskeleton trajectory prediction are twofold: establishing the mapping from multi-modal features to trajectory information; constructing the mapping from trajectory to torque. For the former, most existing methods perform only single-step prediction and neglect inter-subject trajectory variability, thereby limiting the trajectory optimization space and prediction generalization. To address this, this paper proposes a fast flow matching method that enables accurate trajectory prediction and better generalization for real-time performance, where trajectory generation errors and encoded observations are used to guide the training direction. For the second challenge, due to the high dynamics of the human-robot system and the strong coupling between perception and control, simple control methods struggle to achieve efficient assistance based on the predicted trajectory. This paper utilizes model predictive control and designs a novel optimization objective to optimize torque, ensuring the exoskeleton achieves comfortable and robust assistance. By integrating the above two components, the unified policy, denoted as ExoTraj, is developed to enable adaptive assistance in complex outdoor scenarios without high data acquisition cost. Experimental results show that compared to traditional methods, ExoTraj reduces cross-subject prediction error by 14.0% during the online phase and maintains robustness against external noise. Relative to the zero torque condition, ExoTraj decreases metabolic rate by 11.5-24.4%, heart rate by 1.7-19.5%, and peak muscle activation levels by 10.9-41.3%, respectively.
• Abstract（参考訳）: 動的外骨格のシナリオにおける適応的なトルク予測には、複雑な屋外環境では不可能な高価なモーションキャプチャシステムが必要である。 このような問題に対処するための効果的なアプローチの1つとして、軌道予測が登場した。 しかし、エクソスケルトン軌道予測の核となる課題は2つあり、多モード特徴から軌道情報へのマッピングを確立すること、軌道からトルクへのマッピングを構築することである。 前者の場合、既存のほとんどの手法は単段階予測のみを実行し、対象間の軌道変動を無視することで、軌道最適化空間と予測一般化を制限する。 そこで本研究では,軌道生成誤差と符号化された観測値を用いてトレーニング方向を導出する,高精度な軌道予測とリアルタイム性能の最適化を実現する高速流れマッチング手法を提案する。 第2の課題は、人間のロボットシステムの高ダイナミクスと知覚と制御の強い結合のため、単純な制御法は予測された軌道に基づいて効率的な補助を達成するのに苦労する。 本稿では,モデル予測制御を利用し,トルクを最適化する新たな最適化目標を設計し,外骨格が快適で堅牢なアシストを実現することを保証する。 上記の2つのコンポーネントを統合することで、ExoTrajと呼ばれる統一ポリシーが開発され、データ取得コストの高い複雑な屋外シナリオにおける適応的な補助を可能にする。 実験の結果、従来の手法と比較して、ExoTrajはオンラインフェーズにおいて、オブジェクト間の予測誤差を14.0%削減し、外部ノイズに対する堅牢性を維持することがわかった。 ゼロトルク条件と比較して、ExoTrajは代謝速度を11.5-24.4%、心拍数を1.7-19.5%、ピーク筋の活性化レベルを10.9-41.3%減少させる。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Optimizing Control-Friendly Trajectories with Self-Supervised Residual Learning [10.551597725130675]
  現実世界の物理学は、現代の複雑なロボットシステムに対して、一定の精度で解析的にのみモデル化できる。 本稿では、上記の課題に対処するために、自己教師付き残差学習と軌道最適化の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T06:01:58Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。 そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。 認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。