机器学习驱动的人体虚拟惯导组件构建方法：解决过载问题与应用前景

本文主要探讨了"基于机器学习的人体虚拟惯性测量组件构建方法"这一研究主题，发表在中国惯性技术学报上，属于2017年第25卷第3期。作者们关注的是如何解决传统惯性测量组件在足部安装时，在过载较高的情况下无法提供准确测量的问题。他们提出了一种创新性的解决方案，即利用同步采集安装在足部及下肢其他部位的惯性测量单元的数据，通过遗传算法改进的误差反向传播（GA-BP）神经网络来构建一个虚拟的惯性测量组件。 这种方法的关键在于通过大量的数据样本，包括来自不同位置（如髋关节附近）的惯性测量数据，训练神经网络以模拟足部的惯性信号。遗传算法在此过程中起到优化作用，通过迭代改进网络结构和参数，提高预测精度。为了提升训练效果，研究人员还引入了步态相位检测技术，对训练样本进行筛选，确保只选取最具有代表性的数据用于训练。 仿真结果显示，该方法能够有效地利用安装在髋关节附近的惯性测量数据，精确地模拟出足部位置的惯性测量，即使对于未经训练的步态，也展现出一定的适应性。这样的成果对于行人精确定位，如在复杂的室内或室外环境中导航，以及外骨骼机器人控制等应用领域具有重要意义。 研究者们强调，人体运动学模型的精确建模、虚拟传感器的开发和机器学习算法的有效运用是本文的核心贡献。关键词包括人体运动学模型、虚拟传感器、机器学习、步态检测和行人导航，这些关键词反映了论文的主要研究内容和领域。整个研究工作得到了国家自然科学基金和江苏省自然科学基金的支持，展示了其在惯性导航与机器人技术领域的前沿性和实用性。