Learning-aided state estimation for robotic rollators with experimental validation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
While demand for assistive technology has risen with aging populations and concomitant increase in mobility disabilities, conventional (passive) walker designs have demonstrated safety and usability limitations. Robotic rollators (or 4-wheeled walkers) have been proposed to address concerns, including slip, fall, and collision risks. To develop control systems for robotic rollators, accurate estimation of the states is required. While model-based estimation approaches have been widely investigated for mobile robots, robotic rollators present unique challenges due to model parameter changes and uncertainties. In contrast, data-driven estimation approaches require sufficient excitation modes during learning to address corner cases. The proposed learning-aided state estimation (L-ASE) method augments an unscented transformation observer with a long short term memory (LSTM) based learning algorithm to estimate rollator states by using on-board inertial measurement unit data and wheel speeds. The stability and boundedness of the error covariance is investigated. The developed learning-aided estimation method is also experimentally verified for the walker-assisted gait and demonstrates superior performance using a robotic rollator platform in rigorous testing conditions. • A hybrid (learning-aided) estimation framework is proposed in this paper which augments an optimal variance Kalman-based filter with deep learning components to address model uncertainties for speed estimation. • In this regard, the major contributions and highlights of this paper can be summarized as follows: (i) A data-driven LSTM based state estimator was developed based on the robot kinematics measured using a low-cost IMU and encoders; (ii) A learning-aided state estimation approach (L-ASE) was developed by augmenting an unscented Kalman based observer with the LSTM estimates; and (iii) Experimental evaluation of both approaches using a custom robotic rollator platform.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle