基于门控渐进高斯滤波网络的人体运动估计OA
针对表面肌电信号和人体运动等模型误差引起的运动估计性能下降问题,提出一种基于门控渐进高斯滤波网络(GPGF-net)的人体运动估计方法,以实现对模型误差的补偿以及提升运动估计的精度.首先,设计门控记忆机制来调控信息流,以学习出系统状态的长期依赖与观测信号的时变特性,从而动态调整误差补偿项的分布参数.其次,通过融合贝叶斯滤波与深度学习的优势,引入渐进式观测更新策略到GPGF-net,以减小非线性近似误差以及增强模型鲁棒性.最后,通过人体肢体运动估计实验表明,相较于现有方法,GPGF-net显著提高了估计精度,均方根误差降低15.62%,相关系数R2提升5.08%,验证了所提方法的有效性.
杨旭升;杨基业;张文安
浙江工业大学信息工程学院,杭州310023 浙江省复杂系统智能感知与控制重点实验室,杭州310023浙江工业大学信息工程学院,杭州310023 浙江省复杂系统智能感知与控制重点实验室,杭州310023浙江工业大学信息工程学院,杭州310023 浙江省复杂系统智能感知与控制重点实验室,杭州310023
信息技术与安全科学
高斯滤波网络模型误差补偿人体运动估计表面肌电信号
《自动化学报》 2026 (8)
P.1769-1780,12
国家自然科学基金(62473335,U25A20456,W2421117)杭州市科技发展计划(2022AIZD0080)资助。
评论