CN112996636B - 负荷减少设备、负荷减少方法和存储程序的存储介质 - Google Patents

Abstract

一种负荷减少设备，包括：确定单元，其被设置为确定由用户重复的运动；以及转矩控制单元，其被配置为通过比较参考模型和基于重复运动的机器学习而提取的特征来控制由驱动机构输出的转矩，以减轻在用户的腿的关节处的用户上的负荷。

Description

负荷减少设备、负荷减少方法和存储程序的存储介质

技术领域

本发明涉及负荷减少设备、负荷减少方法和用于存储程序的存储介质。

背景技术

已知一种负荷减少设备，当用户穿着它时，该负荷减少设备执行诸如用户的步行运动之类的负荷的辅助并且减轻由用户携带的行李的负荷。当人可穿着时，负荷减少设备有时被称为动力套装。

专利文献1公开了一种技术，该技术使用至少一个传感器的输出来识别至少一个预定的步态事件，调整至少一个致动器的致动曲线，并且至少一个致动器的致动曲线产生关于至少一个关节的有益力矩。

专利文献2公开了一种技术，该技术感测至少一个关节的运动或测量至少一个关节的运动，基于感测或测量的至少一个关节的运动来确定至少一个关节的运动状态，并基于关于至少一个关节的操作状态的确定结果，控制步行助行机器人。

专利文献3公开了一种技术，该技术获取指示用户的上肢的运动的状态信号，并且从状态信号的变化确定辅助定时，该辅助定时是辅助用户的动作的定时。

专利文献4公开了一种技术，该技术根据用于确定驱动步行支撑设备的关节的致动器的驱动量的行走算法，根据行人行走时的传感器值来确定致动器的驱动量。专利文献4公开了该步行算法是通过对示出步行特征的步行数据进行统计处理而生成的信息。

引文列表

专利文献

[专利文献1]PCT国际公开的公开日文翻译No.2016-539723

[专利文献2]日本未审查专利申请公开No.2015-089510

[专利文献3]日本未审查专利申请公开No.2015-177863

[专利文献4]WO 2016/038824

发明内容

本发明要解决的问题

虽然由减少负荷所需的负荷减少设备输出的转矩根据用户运动的动量依次变化，但期望针对用户的运动进行更适当的负荷减少。

因此，本发明的示例目的是提供一种能够解决上述问题的负荷减少设备、负荷减少方法以及用于在其中存储程序的存储介质。

解决问题的手段

根据本发明的第一方面，一种负荷减少设备包括：确定单元，其被配置为确定由用户重复的重复运动；以及，转矩控制单元，其被配置为通过比较基于重复运动的机器学习所提取的特征和参考模型，来控制由驱动机构输出的转矩，以减少在用户的腿的关节处的用户上的负荷。

根据本发明的第二方面，一种负荷减少方法包括：确定由用户重复的重复动作；以及通过比较基于重复运动的机器学习所提取的特征和参考模型，来控制由驱动机构输出的转矩以减少在所述用户的腿的关节处的所述用户上的负荷。

根据本发明的第三方面，存储在存储介质中的程序使负荷减少设备的计算机执行处理，所述处理包括：确定由用户重复的重复动作；以及通过比较基于重复运动的机器学习所提取的特征和参考模型，来控制由驱动机构输出的转矩，以减少在所述用户的腿的关节处的所述用户上的负荷。

发明的有益效果

根据本发明，可以提供一种能够针对用户的运动更适当地减少负荷的负荷减少设备。

附图说明

图1是示出根据本发明的实施例的动力套装的配置的透视图。

图2是示出根据本发明的实施例的控制设备的硬件配置的图。

图3是根据本发明实施例的控制设备的功能框图。

图4是示出根据第一实施例的控制设备的操作的操作框图。

图5是用于说明根据本发明的实施例的确定步态周期的方法的曲线图。

图6是示出根据本发明的实施例的转矩控制处理的概要的图。

图7A是示出根据本发明的实施例的步态周期中的每个特征的示例的曲线图。

图7B是示出根据本发明的实施例的步态周期中的每个特征的示例的曲线图。

图8是示出根据第一实施例的动力套装的处理的流程图。

图9是示出根据第二实施例的控制设备的操作的操作框图。

图10是示出根据第二实施例的动力套装的处理的流程图。

图11是示出当不执行根据第二实施例的控制时转矩控制单元的输出与目标转矩之间的关系的曲线图。

图12是示出当执行根据第二实施例的控制时转矩控制单元的输出与目标转矩之间的关系的曲线图。

图13是示出根据本发明的实施例的控制设备的最小配置的图。

具体实施方式

以下，将参考附图描述根据本发明的实施例的负荷减少设备、负荷减少方法和用于在其中存储程序的存储介质。

图1是示出根据本实施例的动力套装的配置的透视图。

动力套装100是负荷减少设备的一个方面。动力套装100由骨架部分11、皮带12、髋致动器13、膝致动器14、踝致动器15、鞋底板16、脚用束带17、鞋底负荷传感器18、脚底负荷传感器19、装载平台20、控制设备21、电池22、髋关节传感器23、膝关节传感器24、踝关节传感器25和加速度传感器26等构成。作为示例，骨架部分11大致分为第一骨架部分111、第二骨架部分112和第三骨架部分113。

如图1所示，动力套装100被配置如下以支撑装载平台20，该装载平台20是用于支持作为示例的行李的机构的一方面。即，动力套装100具有第一骨架部分111，并且左右髋致动器13处可旋转地联接到第一骨架部分111和第二骨架部分112，第一骨架部分111和第二骨架部分112分别对应于穿着动力套装100的用户的左或右大腿部分。左右膝致动器14可旋转地联接到穿着动力套装100的用户的左侧或右侧的相应的第二骨架部分112，并且可旋转地联接到沿着穿着动力套装100的用户的左或右小腿部分的相应的第三骨架部分113。踝关节致动器15可旋转地联接到左侧或右侧的相应的第三骨架部分113，并且相应的鞋底板16被设置在穿着动力套装100的用户的左侧或右侧在脚用束带17的背部。致动器13、14和15是输出转矩的驱动机构，该转矩减轻了在用户的每条腿的每个关节处施加给用户的负荷。

穿着动力套装100的用户将他/她的左脚和右脚附接到相应的脚用束带17，并且利用皮带12将第一骨架部分111固定到腰部，使得第一骨架部分111紧密地附接到腰部。动力套装100具有经由骨架部分11和髋致动器13、膝致动器14和踝致动器15而与脚底接触，从而将行李的大部分负荷和动力套装100的负荷释放到地面的结构。用户接通动力套装100的控制设备21。控制设备21控制髋致动器13、膝致动器14和踝致动器15以经由骨架部分11和髋致动器13、膝致动器14和踝致动器15向行走表面传递尽可能多的设备重量，该设备重量是在装载平台20上装载的行李的负荷与动力套装100的重量之和。由此，动力套装100减轻了负担，诸如是穿着动力套装100、将行李装载在装载平台20上并行走的用户的行李的负荷。

髋关节传感器23安装在髋致动器13中，并且通过编码器检测髋关节角度，即，第一骨架部分111和第二骨架部分112之间形成的角度。膝关节传感器24安装在膝致动器14中，并且通过编码器检测膝关节角度，即，第二骨架部分112与第三骨架部分113之间的角度。踝关节传感器25安装在踝致动器15中，并且通过编码器检测踝关节角度，即，第三骨架部分113与鞋底板16之间的角度。髋关节传感器23、膝关节传感器24和踝关节传感器25检测用户的每条腿的每个关节的角度(以下称为“关节角度”)。加速度传感器26检测用户的下肢的加速度。

鞋底负荷传感器18设置在脚用束带17的底部，与用户所穿着的鞋子相对应。而且，鞋底负荷传感器18被设置在鞋底板16和脚部束带17的地面接触表面侧以覆盖鞋底板16和脚用束带17的整个背面，鞋底板16将动力套装100和行李的重量传递到地面接触表面，并且脚部束带17将用户的重量传递到地面接触表面。脚底负荷传感器19设置在脚用束带17中以覆盖整个鞋底表面，以便可以从用户的脚底测量其重量。例如，脚底负荷传感器19可以设置在脚用束带17的内底和鞋底板16之间，或者可以设置在鞋底板16的上部。

作为示例，鞋底负荷传感器18和脚底负荷传感器19是这样的传感器，其中在薄片状绝缘体的正面和背面上以矩阵形式布置电极。鞋底负荷传感器18和脚底负荷传感器19测量电极的网格点的电阻，并将测量值输出到控制设备21。控制设备21基于每个网格点的电阻值计算施加到每个网格点的压力和传感器片整个表面上的负荷。

图2是示出控制设备的硬件配置的图。

如该图所示，控制设备21是配备有诸如CPU(中央处理单元)101、ROM(只读存储器)102、RAM(随机存取存储器)103、信号输入/输出设备104和无线通信设备105的硬件的计算机。

信号输入/输出设备104输入从鞋底负荷传感器18、脚底负荷传感器19、髋关节传感器23、膝关节传感器24、踝关节传感器25和加速度传感器26输出的信号。信号输入输出设备104输出用于控制髋致动器13、膝致动器14和踝致动器15的控制信号。控制设备21通过从电池22提供的电力进行操作。

无线通信设备105与另一设备通信连接。

图3是控制设备的功能框图。

通过打开电源按钮，基于从电池22供应的电力来启动控制设备21。在启动后，控制设备21执行控制程序。结果，控制设备21至少具有信息获取单元211、自适应控制单元212、致动器控制单元213、电源单元214和存储单元215。

信息获取单元211从鞋底负荷传感器18、脚底负荷传感器19、髋关节传感器23、膝关节传感器24、踝关节传感器25和加速度传感器26获取感测信息。鞋底负荷传感器18和脚底负荷传感器19的感测信息是指示所检测的负荷值的负荷信息。髋关节传感器23、膝关节传感器24和踝关节传感器25的感测信息是指示检测到的关节角度的关节角度信息。加速度传感器26的感测信息是指示检测到的加速度的加速度信息。

致动器控制单元213控制髋致动器13、膝致动器14和踝致动器15。

当电源按钮被打开时，电源单元214将来自电池22的电力提供给控制设备21的每个部分。

自适应控制单元212具有确定单元2121和转矩控制单元2122。

确定单元2121基于由加速度传感器26检测到的加速度、由髋关节传感器23、膝关节传感器24和踝关节传感器25检测到的关节角度或由鞋底负荷传感器18或脚底负荷传感器19检测的负荷值来确定用户的重复运动。例如，重复运动是步态周期，其中，一个时段是从一步的开始到结束。

转矩控制单元2122将基于对多时段(以下称为多个时段)的重复运动的机器学习而提取的特征与每个运动的参考模型进行比较。结果，转矩控制单元2122控制由髋致动器13、膝致动器14和踝致动器15输出的输出转矩。特征的示例包括脚跟着地的定时、脚趾离地的定时和每个关节转矩的峰值点。脚跟着地是当脚跟已经着地的时候。脚趾离地是指脚趾与地面离开的情况。每个关节转矩的峰值点是峰值时间和由髋致动器13、膝致动器14和踝致动器15分别输出的输出转矩的输出值。

存储单元215存储与诸如行走和跑步的具有不同动量的每个运动相对应的参考模型。参考模型是用于基于与每个运动相对应的特征来确定由髋致动器13、膝致动器14和踝致动器15输出的输出转矩的控制模式的模型。通过用于计算输出转矩等的参数来确定控制模式。这些参数包括例如：用于确定髋致动器13、膝致动器14和踝致动器15的响应的控制系统参数；以及用于确定站立或摆动的阈值。

例如，对应于步行的参考模型是与对应于步行的特征相关联地保持的数据，其具有用于步行的参数设置值和用于步行的算法。此外，对应于跑步的参考模型是与对应于跑步的特征相关联地保持的数据，其具有用于跑步的参数设定值和用于跑步的算法。

注意，存储单元215可以存储与除了步行和跑步以外的其他运动相对应的参考模型。参考模型可以是根据步行速度和跑步速度的一个参考模型。此外，存储单元215存储在每条腿的每个关节处的角度参考。

(第一实施例)

接下来，将详细描述根据第一实施例的控制设备21的操作。

图4是示出根据第一实施例的控制设备的操作的操作框图。

首先，自适应控制单元212控制由每条腿的髋致动器13、膝致动器14和踝致动器15输出的输出转矩。自适应控制单元212基于由鞋底负荷传感器18和脚底负荷传感器19检测到的负荷值、由加速度传感器26检测到的加速度Acc、由髋关节传感器23、膝关节传感器24和踝关节传感器25中的每个检测到的各个关节角度θ_k、角度参考θ_k0和由存储单元215存储的参考模型来控制各个输出转矩。

更具体地说，首先，确定单元2121确定用户的重复运动。步态周期是重复运动的一个例子。

图5是用于说明确定步态周期的方法的图。

该图所示的曲线图的横轴表示时间。该图所示的曲线图的纵轴表示转矩的大小。在上面的一行中所示的实线71示出了髋关节转矩的变化的示例。髋关节转矩是由髋致动器13输出的输出转矩。在下面的一行中示出的实线72示出了膝关节转矩的变化的示例。膝关节转矩是由膝致动器14输出的输出转矩。另外，踝致动器15输出踝关节转矩。类似于髋关节转矩和膝关节转矩，踝关节转矩的值也在一个时段内根据用户的步行运动而增大或减小。

此外，“加速度ON”指示由加速度传感器26检测到的加速度等于或大于预定阈值。在所示示例中，在时间t1、t2、t3、t4、t5处，加速度等于或大于预定阈值。

确定单元2121确定从步行一步的开始到结束的步态周期中，当加速度超过预定阈值时作为一只脚着地之后一只脚的站立定时。然后，确定单元2121将脚的一个站立定时到下一个站立定时确定为步态周期的一个时段。

在图5所示的示例中，确定单元2121将时间t1到时间t2的持续时间作为一个时段，时间t1是由加速度传感器26指示的加速度变为等于或大于指示步态周期开始的预定阈值的时间，时间t2是加速度已经变为等于或大于预定阈值的时间。类似地，确定单元2121将从时间t2到时间t3的持续时间设置为下一时段，将从时间t3到时间t4的持续时间设置为下一时段，并且将从时间t4到时间t5的持续时间设置为下一时段。

确定单元2121将最近的N(N为2或更大的整数)个时段的步态周期数据输出到转矩控制单元2122。例如，确定单元2121将几步的步态周期数据输出到转矩控制单元2122。步态周期数据是一个时段(步)的步态周期中的变化数据。变化数据示出了步态周期中每个关节角度的变化、每个负荷值的变化以及由髋致动器13、膝致动器14和踝致动器15输出的输出转矩的变化。

在该示例中，确定单元2121基于由加速度传感器26检测到的加速度来确定重复运动，但是本发明不限于此。确定单元2121可以基于由髋关节传感器23、膝关节传感器24和踝关节传感器25检测到的关节角度来确定重复运动。转矩控制单元2122基于多个时段的步态周期数据(N步)执行转矩控制处理。

图6是示出转矩控制处理的概览的图。

转矩控制单元2122输入每1步的步态周期数据(步骤ST1)。转矩控制单元2122使用基于卷积神经网络的特征提取模型对输入的步态周期数据执行机器学习，诸如卷积处理和加权处理，并且提取在步态周期中的特征(步骤ST2)。

特征的示例包括脚跟着地的定时、脚趾离地的定时和关节转矩的峰值点。转矩控制单元2122基于由鞋底负荷传感器18或脚底负荷传感器19检测到的负荷值的变化，或由髋关节传感器23、膝关节传感器24和踝关节传感器25检测到的关节角度的变化，来确定脚跟着地和脚趾离地。例如，当负荷值超过第一阈值时，转矩控制单元2122确定脚跟已经着地。此外，当负荷值变得等于或小于第二阈值时，转矩控制单元2122确定脚趾已经离开。此外，转矩控制单元2122基于由髋致动器13、膝致动器14和踝致动器15输出的输出转矩的变化来确定每个关节转矩的峰值点。

图7A和图7B是示出在步态周期中的每个特征的示例的曲线图。

在图7A和7B中所示的每个曲线图中，水平轴示出了在一个步态周期中经过的时间的百分比。上面的一行显示髋关节转矩的变化。中间一行显示了膝关节转矩的变化。下面的一行显示了踝转矩的变化。符号“○”指示脚跟着地。符号“△”指示关节转矩的峰值点。符号“x”指示脚趾离地。

图7A示出了步行期间每个关节转矩的变化。

上面的一行中所示的实线81示出了髋关节转矩的变化。中间的一行所示的实线82示出了膝关节转矩的变化。下面的一行中所示的实线83示出了踝关节转矩的变化。步行期间步态周期的单位时段的开始时间是该周期中经过时段的0％，并且步态周期的单位时段中的结束时间是该周期中经过持续时间的100％。

那么，步行期间的步态周期中从0％到大约60％的持续时间就是腿正在站立的站立阶段。站立时段是指从脚跟着地到脚趾离地的时段。另外，步行期间的步态周期中从约60％到100％的持续时间是腿正在摆动的摆动阶段。在步行期间的步态周期中，摆动阶段是指从脚趾离地到脚跟着地的时段。

同样，在步行期间的步态周期中，脚跟着地发生在0％点。另外，在步行期间的步态周期中，脚趾离地发生在大约60％的点处。另外，步行期间的步态周期中的髋关节转矩和膝关节转矩的峰值出现在从大约10％到大约20％的时段内的点处。步行期间的步态周期中踝关节转矩的峰值出现在大约50％的点处。

图7B示出了跑步期间每个关节转矩的变化。

上面的一行中所示的实线91示出髋关节转矩的变化。中间的一行所示的实线92示出了膝关节转矩的变化。下面的一行中所示的实线93示出了踝关节转矩的变化。

跑步期间的步态周期中从0％到约35％的持续时间为站立阶段。跑步期间的步态周期中从大约35％到100％的持续时间为摆动阶段。脚跟着地在跑步期间的步态周期中的0％点处。脚趾离地在跑步期间的步态周期中约35％处。另外，在跑步期间的步态周期中，髋关节转矩、膝关节转矩和踝关节转矩的峰值出现在从大约10％到大约20％的时段中的点处。

如图7A和7B所示，与步行和跑步之间，步态周期中站立阶段和摆动阶段之间的时间比率有所不同。例如，相对于整个步态周期的时间，从脚跟着地到脚趾离地的时间比率在行走时约为60％，在跑步时约为40％。另外，步态周期中每个关节的峰值时间在步行和跑步之间是不同的。

因此，转矩控制单元2122将与每个运动相对应的参考模型与所提取的特征进行比较，并且基于该差异来确定用户的运动(图6中的步骤ST3)。例如，转矩控制单元2122确定在参考模型的特征和提取的特征之间具有最小差异的参考模型是用户的运动。

然后，转矩控制单元2122根据所确定的运动来控制具有控制模式的输出转矩(步骤ST4)。即，控制设备21预先存储多个参考模型，指定具有最小差异的参考模型，并从存储单元215等获取与参考模型相对应的控制模式的控制参数。然后，转矩控制单元2122根据所确定的运动与参考模型之间的差异来设置最佳控制参数。如上所述，这些参数是用于确定髋致动器13、膝致动器14、或踝致动器15的响应，用于确定站立或摆动的阈值等的控制系统参数。

然后，转矩控制单元2122基于与所确定的运动相对应的控制参数和算法来计算由髋致动器13、膝致动器14和踝致动器15输出的转矩的目标值。具体地，转矩控制单元2122使用指示从鞋底负荷传感器18、脚底负荷传感器19、髋关节传感器23、膝关节传感器24、踝关节传感器25或加速度传感器26中的至少一个获取的电流值的感测信息以及每个关节的角度参考来计算每个转矩的目标值。转矩控制单元2122将计算出的每条腿的髋致动器13、膝致动器14和踝致动器15的转矩目标值输出到致动器控制单元213。

致动器控制单元213基于转矩的目标值利用角度控制器K_ci(s)来控制髋致动器13、膝致动器14和踝致动器15的旋转角度。“s”指示控制系统的频域。随后，致动器控制单元213通过力控制器K_bi(s)使得每条腿的髋致动器13、膝致动器14和踝致动器15在当前时刻输出转矩τ。

由此，由用户施加的套装和人之间的相互作用力F_k、由用户施加的施加转矩l_k、以及在时间序列的第k个(当前值)中的输出转矩τ成为每个致动器的动力P(s)。髋关节传感器23、膝关节传感器24和踝关节传感器25根据动力套装100的动力G(s)，基于髋致动器13、膝致动器14和踝致动器15的动力P(s)检测在时间序列的第k个中的每个关节角度θ_k。然后，控制设备21重复上述处理。

注意，致动器控制单元213使用以下转矩计算公式作为示例来计算转矩τ。在该转矩计算公式(1)中，“(θ)/G(s)”指示对致动器控制单元213的反馈因子。“F_k·l_k”指示前馈因子。T_i指示由转矩控制单元计算出的转矩的目标值。f(θ)指示包括基于髋致动器13、膝致动器14和踝致动器15的角度参考的角度θ的函数。下面的转矩计算公式是示例，并且可以使用以下所示的除转矩计算公式之外的公式。在转矩计算公式(1)中，“s”表示控制系统的频域，K_bi表示力控制器的控制模型，而K_ci指示角度控制器的控制模型。

τ＝K_bi(s){T_i·K_ci(s)-f(θ)/G(s)+F_k·l_k}(1)

图8是示出根据第一实施例的动力套装的处理的流程图。

首先，用户穿着动力套装100。这时，用户将脚底负荷传感器19插入到脚用束带17内。脚底负荷传感器19可以预先设置在脚用束带17内。作为脚底负荷传感器19的面积，可以使用适合于用户的脚的大小的大小。另外，用户将鞋底负荷传感器18附接到动力套装100的脚部束带17或鞋底板16的地面接触表面侧。也可以将鞋底负荷传感器18预先设置在脚用束带17或鞋底板16的地面接触表面侧。作为鞋底负荷传感器18的面积，可以使用与用户的脚的大小相对应的适合于脚用束带17的大小。

用户操作设置在动力套装100中的控制设备21的电源按钮以打开电源。结果，控制设备21被启动。用户在穿着动力套装100的同时执行诸如步行、跑步、弹跳和跳跃的动作。用户可以将行李装载在动力套装100的装载平台20上并且执行诸如步行、跑步、弹跳和跳跃的运动。控制设备21的致动器控制单元213控制髋致动器13、膝致动器14和踝致动器15，以减少由于行李或动力套装100的重量而导致的用户上的负荷。结果，动力套装100减轻了在用户上的行李的重量和动力套装100的重量，并且还有助于行走。

在驱动控制设备21的同时，信息获取单元211以预定间隔从髋关节传感器23、膝关节传感器24和踝关节传感器25获取关节角度信息(步骤S101)。此外，在驱动控制设备21的同时，信息获取单元211以预定间隔从鞋底负荷传感器18和脚底负荷传感器19获取负荷信息(步骤S102)。另外，在驱动控制设备21的同时，信息获取单元211以预定间隔从加速度传感器26获取加速度信息(步骤S103)。预定间隔例如是每个较短的时间(诸如每10毫秒)。

确定单元2121基于由信息获取单元211获取的关节角度信息、负荷信息和加速度信息，将步态周期确定为重复运动(步骤S104)，并生成步态周期数据。转矩控制单元2122使用基于卷积神经网络的特征提取模型对多个时段的步态周期数据执行诸如卷积处理和加权处理之类的机器学习，并提取特征(步骤S105)。

转矩控制单元2122将提取出的特征与参考模型的特征进行比较(步骤S106)。如上所述，在参考模型中，其特征与参数和算法相关联。转矩控制单元2122基于比较结果，指定在所提取的特征与参考模型的特征之间的差异较小的参考模型。转矩控制单元2122基于指定的参考模型确定运动并且设置参数(步骤S107)。转矩控制单元2122使用与所确定的运动相对应的算法来计算输出转矩的输出值(步骤S108)。

致动器控制单元213使每条腿的髋致动器13、膝致动器14和踝致动器15输出计算出的输出值的转矩(步骤S109)。之后，处理返回到步骤S101的处理，并且控制设备21重复从步骤S101到S109的处理，直到处理完成为止。

根据以上处理，计算出用于支撑负荷的每个关节的准确的所需转矩，从而能够由髋致动器13、膝致动器14和踝致动器15输出。因此，即使用户的运动模式从低响应到高响应(例如缓慢的步行运动或敏捷的跑步运动)会有很大的波动，也可以始终跟踪用户的运动，并且可以实现对于每个运动及时而适当地减少负荷的帮助。

例如，由于转矩控制单元2122提取重复运动中的特征并将该特征与参考模型进行比较，因此可以根据用户的运动通过控制模式来控制输出转矩。因此，由于可以通过自适应地预测用户的运动来控制髋致动器13、膝致动器14和踝致动器15的输出，因此可以降低用户的各种运动模式的负荷。此外，转矩控制单元2122使用基于卷积神经网络的特征提取模型，执行诸如卷积处理和加权处理的机器学习，提取特征，并将该特征与参考模型进行比较。因此，通过澄清与基准的差异，可以为每个用户提供最佳的负荷降低。

此外，当与动力套装100不同的设备执行上述处理时，由于数据发送/接收的延迟，可能损害实时属性，但是在本实施例中，动力套装100中包括的控制设备21执行上述处理。因此，可以无延迟地响应用户的突然动作。

此外，基于由包括在附接到下肢上的动力套装100中的鞋底负荷传感器18、脚底负荷传感器19、髋关节传感器23、膝关节传感器24、踝关节传感器25和加速度传感器26检测的感测信息，执行上述处理。为此，即使例如在上肢和下肢的运动之间存在差异时，也可以适当地减少负荷。此外，由于动力套装100具有相对简单的附接到下肢的结构，因此可以容易地附接和拆卸。

尽管上面已经描述了本发明的第一实施例，但是本发明不限于上述实施例，并且可以在不脱离本发明的精神的范围内进行各种修改。

例如，鞋底负荷传感器18可以预先设置在动力套装100的鞋底板16的地面接触表面的一侧。此外，脚底负荷传感器19可以预先插入到脚用束带17内。

此外，在上面的描述中，示出了鞋底负荷传感器18具有覆盖脚用束带17的整个背面的面积，并且脚底负荷传感器19具有覆盖脚用束带17的内部的整个鞋底的面积。然而，鞋底负荷传感器18即使在施加负荷的位置偏离的情况下，也能够测量从鞋底板16或脚用束带17施加到地面接触表面的负荷。

此外，在以上描述中，示出了控制动力套装100的情况，但是控制设备21不限于此，并且可以被应用于具有非线性模式转换的多关节机器人等(例如，人形机器人)的一般控制。

此外，在以上示例中，控制设备21设置在动力套装100中，但是本发明不限于此，并且通过有线或无线方式与动力套装100通信地连接的另一设备可以具有控制设备21的功能。

(第二实施例)

图9是示出根据第二实施例的控制设备的操作的操作框图。

根据第二实施例的控制设备21还检测每个传感器从外部接收到的外部转矩F，并且还使用该外部转矩F来控制由髋致动器13、膝致动器14和踝致动器15输出的输出转矩。外部转矩F例如是基于着地冲击、动态加速度、动力套装100的运动和用户之间的偏差等，通过由每个传感器检测动力套装100从外部接收到的力而获得的转矩值。

这里，在第二实施例中，髋关节传感器23、膝关节传感器24和踝关节传感器25中的每一个都设有用于检测外部转矩F的外部转矩检测传感器214。然后，信息获取单元211还从髋关节传感器23、膝关节传感器24和踝关节传感器25中的每一个的外部转矩检测传感器214获取外部转矩F。

例如，根据相对于各关节传感器所附接到的关节与可旋转地附接的连杆之间的角度已经由于外力发生变化的变化量，外部转矩检测传感器214检测外部转矩F的值。变化量可以是由致动器控制单元213指示的角度与当变化是由从外部获得的力瞬时引起的角度之间的差。外部转矩检测传感器214可以根据在那些连杆上的任意位置处的距离之差而不是角度之间的差来计算变化量，该变化量是基于关节可旋转地附接的各连杆之间的角度已经由于外力而瞬时变化的变化量。

图10是示出根据第二实施例的动力套装的处理的第二流程图。

在驱动控制设备21时，信息获取单元211以预定间隔从髋关节传感器23、膝关节传感器24和踝关节传感器25获取关节角度信息(步骤S201)，并且从每个传感器的外部转矩检测传感器214获取外部转矩F(步骤S202)。在驱动控制设备21时，信息获取单元211以预定间隔从鞋底负荷传感器18和脚底负荷传感器19获取负荷信息(步骤S203)。在驱动控制设备21时，信息获取单元211以预定间隔从加速度传感器26获取加速度信息(步骤S204)。预定间隔例如是每隔很短的时间(诸如每10毫秒)。

确定单元2121基于由信息获取单元211获取的关节角度信息、外部转矩F、负荷信息和加速度信息，将步态周期确定为重复运动(步骤S205)，并生成步态周期数据。转矩控制单元2122使用基于卷积神经网络的特征提取模型对多个周期的步态周期数据执行诸如卷积处理和加权处理之类的机器学习，并提取特征(步骤S206)。

转矩控制单元2122将提取出的特征与参考模型的特征进行比较(步骤S207)。转矩控制单元2122基于比较结果，指定提取出的特征与参考模型的特征之间的差异较小的参考模型。转矩控制单元2122基于指定的参考模型确定运动并设置参数(步骤S208)。

转矩控制单元2122使用与所确定的运动相对应的算法来计算输出转矩的输出值(步骤S209)。转矩控制单元2122在输出转矩的输出值的计算中，计算抵消所取得的外部转矩F的输出转矩的输出值。结果，由转矩控制单元2122计算出的输出转矩的输出值变为跟踪包括动态元件的实际转矩的值。

致动器控制单元213输出从每条腿的髋致动器13、膝致动器14和踝致动器15计算出的输出值的转矩(步骤S210)。此后，处理返回到步骤S201的处理，并且控制设备21重复从步骤S201到S210的处理，直到处理完成为止。

转矩控制单元的上述处理是计算抵消外部转矩F的每个传感器等的驱动机构的转矩的输出值，并且基于该输出值控制驱动机构的模式的示例。

在以上处理中，转矩控制单元2122计算通过机器学习计算出的步态周期的特征与参考模型的特征之间的偏差。当特征出现处的定时的偏差小于阈值时，转矩控制单元2122在步骤S207中确定运动并基于参考模型所指示的转矩与时间之间的关系来设置参数。

另一方面，当特征出现处的定时的偏差等于或大于阈值时，转矩控制单元2122执行以下处理。即，转矩控制单元2122在时段变化后计算参考模型，在该时段变化中，由参考模型所指示的步态周期的转矩与时间之间的关系所指示的时段发生偏移，使得参考模型的特征的定时与机器学习计算出的步态周期特征相匹配。然后，在步骤S207中，转矩控制单元2122确定运动并且基于时段变化之后由参考模型所指示的转矩和时间之间的关系来设置参数。从而，由参考模型所指示的站立阶段和摆动阶段的定时可以与用户步态的站立阶段和摆动阶段相匹配。

该转矩控制单元的处理是处理的一方面，该处理基于根据重复运动的机器学习而提取的特征与参考模型的特征之间的偏差，对由参考模型中的转矩和时间之间的关系指示的时段进行校正，并且根据参考模型指定重复运动的定时。

如果由参考模型所指示的站立阶段和摆动阶段的定时可以与用户的步行的站立阶段和摆动阶段相匹配，则可以确定步行的时段而不会基于加速度是否超过预定阈值来检测步行一步的开始。即，在这种情况下，变得不需要加速度传感器26。

图11是示出当不执行根据第二实施例的控制时转矩控制单元2122的输出与目标转矩之间的关系的曲线图。

图12是示出当执行根据第二实施例的控制时转矩控制单元2122的输出与目标转矩之间的关系的曲线图。

如上所述，当不考虑外部转矩F时，即，不考虑动态产生的外部转矩F。为此，转矩控制单元2122基于静态元素来计算输出值，该输出值与根据目标转矩p1所指示的时间变化的转矩相匹配。

另一方面，当考虑外部转矩F时，考虑动态产生的转矩。因此，转矩控制单元2122基于动态元素来计算输出值，该输出值与根据目标转矩p2所指示的时间变化的转矩相匹配。

在此，当转矩控制单元2122基于静态要素使与目标转矩p1所指示的时间变化对应的转矩匹配时，描述转矩控制单元2122的输出p3。尽管转矩控制单元2122的输出p3是由于外部转矩F的影响而在每个关节处产生的转矩，但是在转矩控制单元2122的控制(p3)下，该转矩变化以便接近目标转矩p1。

然而，当输出值p3与目标转矩p1不匹配时，在初始阶段，与由输出值p3指示的时间相对应的转矩值在用户身上施加被指示为值pa的转矩差的负担(图11)。另一方面，转矩控制单元2122计算输出值p3以与目标转矩p2相匹配(图12)，使得可以减轻用户的负担。

图13是示出控制设备的最小配置的图。

作为负荷减少设备的一方面的控制设备21可以至少具有上述确定单元2121和转矩控制单元2122的功能。

确定单元2121确定用户的重复运动。

转矩控制单元2122通过卷积处理提取重复运动中的特征，并将其与每个运动的参考模型进行比较。结果，转矩控制单元2122控制由髋致动器13、膝致动器14和踝致动器15输出的转矩，以便减少在用户的腿的关节处施加给用户的负荷。

上述控制设备也也可以是配备有诸如CPU(中央处理单元)101、ROM(只读存储器)102、RAM(随机存取存储器)103、HDD(硬盘驱动器)104和无线通信设备105之类的硬件的计算机。

上述控制设备在内部具有计算机系统。上述每个处理的过程以程序的形式存储在计算机可读记录介质中，该过程由读取并执行该程序的计算机来执行。在此，计算机可读记录介质是指磁盘、磁光盘、CD-ROM、DVD-ROM或半导体存储器等。此外，该计算机程序可以经由通信线路被分发到计算机，并且接收到该分发的计算机可以执行该程序。

此外，上述程序可以用于实现上述一些功能。

此外，上述程序可以是可以与已经记录在计算机系统中的程序结合实现上述功能的所谓的差分文件(差分程序)。

要求于2018年11月16日提交的日本专利申请No.2018-215838和于2019年8月21日提交的日本专利申请No,2019-151162的优先权，其内容通过引用并入本文。

工业适用性

根据本发明，可以提供一种能够相对于用户的运动更适当地减少负荷的负荷减少设备。

[附图标记列表]

100：动力套装

11：骨架部分

12：皮带

13：髋致动器

14：膝致动器

15：踝致动器

16：鞋底板

17：脚用束带

18：鞋底负荷传感器

19：脚底负荷传感器

20：装载平台

21：控制设备

22：电池

23：髋关节传感器

24：膝关节传感器

25：踝关节传感器

26：加速度传感器

211：信息获取单元

212：自适应控制单元

214：外部转矩检测传感器

2121：确定单元

2122：转矩控制单元

213：致动器控制单元

214：电源单元

215：存储单元

Claims (8)

1.一种负荷减少设备，包括：

存储器，所述存储器存储对应于每个运动或根据速度或加速度的多个参考模型，所述运动包括步行或跑步；

确定装置，所述确定装置用于确定由穿着所述负荷减少设备的用户重复的重复运动；以及

转矩控制装置，所述转矩控制装置用于

通过将所述多个参考模型与对重复运动使用基于卷积神经网络的模型基于机器学习所提取的特征进行比较，来确定参考模型，所述特征包括脚跟着地的定时、脚趾离地的定时和由驱动机构输出的转矩的峰值点，以及

基于确定的所述参考模，来控制由所述驱动机构输出的所述转矩以减少在所述用户的腿的关节处的所述用户上的负荷。

2.根据权利要求1所述的负荷减少设备，其中，

所述确定装置将一步的开始到结束确定为所述重复运动。

3.根据权利要求1或权利要求2所述的负荷减少设备，其中，

所述确定装置基于施加到所述用户的加速度来确定所述重复运动。

4.根据权利要求1或权利要求2所述的负荷减少设备，其中，

所述参考模型将对应于每个运动的所述特征与由所述驱动机构输出的所述转矩的控制模式相关联。

5.根据权利要求1或权利要求2所述的负荷减少设备，其中，

所述转矩控制装置计算抵消指示从外面施加的转矩的外部转矩的所述驱动机构的所述转矩的输出值，并且基于所述输出值来控制所述驱动机构。

6.根据权利要求1或权利要求2所述的负荷减少设备，其中，

所述转矩控制装置基于下述偏差来对所述参考模型中的转矩与时间之间的关系所指示的时段进行校正，并且基于所述参考模型指定所述重复运动的定时，所述偏差是基于所述重复运动的所述机器学习所提取的所述特征与所述参考模型的所述特征之间的偏差。

7.一种负荷减少方法，包括：

存储对应于每个运动或根据速度或加速度的多个参考模型，所述运动包括步行或跑步；

确定由穿着负荷减少设备的用户重复的重复运动；以及

通过将所述多个参考模型与对重复运动使用基于卷积神经网络的模型基于机器学习所提取的特征进行比较，来确定参考模型，所述特征包括脚跟着地的定时、脚趾离地的定时和由驱动机构输出的转矩的峰值点，以及基于确定的所述参考模，来控制由所述驱动机构输出的所述转矩以减少在所述用户的腿的关节处的所述用户上的负荷。

8.一种存储程序的存储介质，所述程序使负荷减少设备的计算机执行处理，所述处理包括：

存储对应于每个运动或根据速度或加速度的多个参考模型，所述运动包括步行或跑步；

确定由穿着所述负荷减少设备的用户重复的重复运动；以及

通过将所述多个参考模型与对重复运动使用基于卷积神经网络的模型基于机器学习所提取的特征进行比较，来确定参考模型，所述特征包括脚跟着地的定时、脚趾离地的定时和由驱动机构输出的转矩的峰值点，以及基于确定的所述参考模，来控制由所述驱动机构输出的所述转矩以减少在所述用户的腿的关节处的所述用户上的负荷。