CN110603021A

CN110603021A - 用于用户意图识别的系统和方法

Info

Publication number: CN110603021A
Application number: CN201880023218.5A
Authority: CN
Inventors: T.斯维夫特; N.科克斯; K.肯珀
Original assignee: Roaming Robot Technology Co
Current assignee: Roaming Robot Technology Co
Priority date: 2017-02-03
Filing date: 2018-02-02
Publication date: 2019-12-20
Anticipated expiration: 2038-02-02
Also published as: US20200253808A1; JP2023016804A; IL268306B1; IL268306B2; CN110603021B; EP3576707B1; EP3576707C0; CN114248263A; EP3576707A4; WO2018144937A1; IL268306A; JP2020506030A; ES2969892T3; EP3576707A1; JP7541825B2; CA3051105A1; US20180221237A1; US11259979B2

Abstract

本公开包括一种操作外骨骼系统的方法。所述方法包括：确定由所述外骨骼系统实施的当前分类程序的第一状态估计；确定参考分类程序的第二状态估计；确定在所述第一状态估计与所述第二状态估计之间的差异大于分类程序替换阈值；生成更新的分类程序；以及至少部分地基于确定在所述第一状态估计与所述第二状态估计之间的所述差异大于所述分类程序替换阈值来用所述更新的分类程序替换所述当前分类程序。

Description

用于用户意图识别的系统和方法

相关申请的交叉引用

本申请要求2017年2月3日提交的标题为“用于用户意图识别的系统和方法(SYSTEM AND METHOD FOR USER INTENT RECOGNITION)”的美国临时申请号62/454,575的权益，该美国临时申请以全文引用的方式并入本文中并用于所有目的。

本申请还要求2017年4月13日提交的标题为“用于用户意图识别的系统和方法(SYSTEM AND METHOD FOR USER INTENT RECOGNITION)”的美国临时申请号62/485,284的权益，该美国临时申请以全文引用的方式并入本文中并用于所有目的。

附图说明

图1是示出外骨骼网络的实施方案的示例性图示。

图2是示出外骨骼网络的另一实施方案的示例性图示。

图3是示出外骨骼系统的实施方案的示例性框图。

图4示出了更新一组分类规则的示例方法。

图5示出了改进多个外骨骼系统的分类程序的示例方法。

图6示出了基于外骨骼系统的一个或多个传感器的状态来更新分类程序的示例方法。

图7示出了至少部分地基于对分类确定的用户响应来调谐分类程序的示例方法。

图8示出了确定是否呈现针对分配确定的确认请求的方法。

图9示出了包括三个处理级的外骨骼处理网络的一个实施方案。

图10是外骨骼系统的实施方案的示例性图示。

图11是外骨骼系统的另一实施方案的示例性图示。

图12是外骨骼系统的又一实施方案的示例性图示。

应注意，附图未按比例绘制，并且类似结构或功能的元件通常由贯穿附图的用于说明性目的的相似附图标记表示。还应注意，附图仅意图有助于优选实施方案的描述。附图并未示出所描述的实施方案的每个方面并且不限制本公开的范围。

具体实施方式

在一方面，本申请公开了涉及用于识别一个或多个动力外骨骼的用户的意图的新颖程序的设计的示例实施方案。本文中描述的各个实施方案提供对常规装置中使用的意图识别程序的实质性改进。例如，意图识别的常规方法是包括由开发人员特别地建立以提高准确度的经设计的过渡保护的有限状态机的专家设计。相反，本文中描述的各种示例方法允许意图识别程序随时间推移基于学习的性能而适应，或者适应于单独操作者的独特行为。本文中描述的各种示例方法提供用于意图识别程序，所述意图识别程序能够增加识别准确度、减小识别延迟并且为每个用户定制性能。因此，各个实施方案涉及可以自动地执行的方法，而没有人类交互，或者只有在如本文所述的有限具体期望时间进行最少的人类交互。

转到图1，示出了第一实施方案100A的示例外骨骼装置网络100，其包括经由网络140可操作地连接的外骨骼系统110、用户装置120和分类服务器130。另外地，外骨骼系统110和用户装置120被示为直接可操作地连接。

在本文中更详细地描述的各个实施方案中，外骨骼系统110可以被配置成与本地用户装置120通信，所述本地用户装置可以充当外骨骼系统110的输入装置、显示器和/或用户接口。例如，用户装置120可以呈现关于外骨骼系统110的各种状态的信息，并且用户装置120可以用来控制外骨骼系统110，包括提供与状态分类相关的输入，如本文中论述。

在图1的示例中，外骨骼系统110和用户装置120被示为经由无线通信信道(例如，蓝牙)直接可操作地连接和经由网络140间接地连接，所述网络可以包括一个或多个有线和/或无线网络，包括互联网、Wi-Fi网络、蜂窝网络、局域网(LAN)、广域网(WAN)等等。然而，在一些实施方案中，这些可操作连接中的一者可以不存在。例如，在一个实施方案中，外骨骼系统110可以被配置成仅经由直接本地连接而不经由网络140与用户装置120通信。在另一实施方案中，外骨骼系统110可以被配置成仅经由本地通信信道与用户装置120通信，但无法经由网络140与诸如分类服务器130或用户装置120等装置通信。然而，在一些示例中，外骨骼系统110可以经由用户装置120与诸如分类服务器130等装置通信。

在一些实施方案中，分类服务器130可以包括被配置成具有各种能力的一个或多个装置，它们在本文中更详细地描述。尽管图1的示例中示出了物理服务器，但在其他实施方案中，分类服务器130可以包括一个或多个虚拟或非虚拟服务器等等。在一些实施方案中，分类服务器130可以不存在。

尽管示例外骨骼网络100中的用户装置120被示为智能电话，但在其他实施方案中，各种其他合适的装置可以包括用户装置120，包括平板计算机、智能手表、膝上型计算机、台式计算机、游戏装置、娱乐装置、家用自动化装置、嵌入式系统等等。另外地，在一些示例中，用户装置120可以在外骨骼系统110的整体部分中。换句话说，在一些示例中，用户装置120和外骨骼系统110可以相结合。另外地，在一些实施方案中，用户装置120可以不存在或存在任何合适的多个用户装置。

如本文中更详细地描述，外骨骼系统110可以是具有各种能力的任何合适的外骨骼系统。因此，图1中示出的示例腿外骨骼系统110不应被解释为限制处于本公开的范围和精神内的广泛多种外骨骼系统。另外地，在一些实施方案中，外骨骼网络100可以包括多个外骨骼系统110。例如，图2示出了包括多个外骨骼系统110A、110B、110C和分类服务器130的外骨骼网络100的另一实施方案100B。

图3是外肌肉(exomuscle)系统110的示例实施方案110D的框图，所述外肌肉系统包括可操作地连接到气动系统320的外骨骼装置310。外骨骼装置310包括处理器311、存储器312、一个或多个传感器313和通信单元314。多个致动器305经由相应的气动管线330可操作地联接到气动系统320。多个致动器305包括定位在身体的右侧和左侧上的成对的肩部致动器305S、肘部致动器305E、前膝部致动器305KA和后膝部致动器305KP。例如，如上文所述，图3所示的示例外肌肉系统110D可以是上套装110E和/或下套装110F(例如，如图10和图11所示)的一部分，其中致动器305定位在身体的相应部分上，如本文中论述。例如，肩部致动器305S可以定位在左肩和右肩上；肘部致动器305E可以定位在左肘和右肘上；并且前膝部致动器305KA和后膝部致动器305KP可以定位在膝前部和后部上。

在各个实施方案中，示例系统110D可以被配置成移动和/或增强穿戴外肌肉系统110D的用户的移动。例如，外骨骼装置310可以向气动系统320提供指令，从而可以选择性地使致动器305充气和/或放气。致动器305的这种选择性充气和/或放气可以移动身体以生成和/或增强身体运动，诸如走路、跑步、跳跃、攀爬、举起、投掷、蹲坐等等。

在一些实施方案中，此类移动可以由穿戴外肌肉系统110D的用户或另一人控制和/或编程。在一些实施方案中，外肌肉系统110D可以由用户的移动控制。例如，外骨骼装置310可以感测到用户在走路并携带负载，并且可以经由致动器305向用户提供动力辅助，以减小与负载和走路相关联的努力。因此，在各个实施方案中，外肌肉系统110D可以在没有直接用户交互的情况下自动地作出反应。在其他实施方案中，移动可以由控制器、操纵杆或思想控制实时地控制。另外地，各种移动可以预先编程并选择性地触发(例如，向前走、坐下、蹲下)，而不是完全被控制。在一些实施方案中，移动可以由一般化指令控制(例如，从点A走到点B，从架子A上捡起盒子并移动到架子B)。

在各个实施方案中，外骨骼装置310可以是可操作的以执行下文更详细地描述的方法或方法的部分，包括方法400、500、600、700、800等等。例如，存储器312可以包括非暂时性计算机可读指令，所述指令如果被处理器311执行则可以致使外骨骼系统110执行本文所述的方法或方法的部分。通信单元314可以包括允许外骨骼系统110直接地或经由网络(例如，见图1和图2)与其他装置通信(包括用户装置120、分类服务器130、其他外骨骼系统110等等)的硬件和/或软件。

在一些实施方案中，传感器313可以包括任何合适类型的传感器，并且传感器313可以位于中央位置或者可以分布在外肌肉系统110D周围。例如，在一些实施方案中，系统(外骨骼系统110D)可以包括在各种合适位置处(包括在致动器305或任何其他身体位置处)的多个加速度计、力传感器、位置传感器等。因此，在一些示例中，传感器数据可以对应于一个或多个致动器305的物理状态、外骨骼系统110的一部分的物理状态、外骨骼系统110总体的一部分的物理状态等等。在一些实施方案中，外骨骼系统110D可以包括全球定位系统(GPS)、相机、范围感测系统、环境传感器等等。

气动系统320可以包括可操作以使致动器305充气和/或放气的任何合适的装置或系统。例如，在一个实施方案中，气动系统可以包括隔膜压缩机，如2014年12月19日提交的共同待决相关专利申请14/577,817中公开的，该专利申请要求2013年12月19日提交的美国临时申请号61/918,578的权益。

如本文中论述，各种合适的外骨骼系统110可以与本文中论述的示例系统和方法一起使用，包括图10、图11和图12的外骨骼系统110，如本文所述。然而，此类示例不应被解释为限制处于本公开的范围和精神内的广泛多种外骨骼系统110或其部分。因此，比图3、图10、图11和图12的示例更复杂或不那么复杂的外骨骼系统110在本公开的范围内。

另外地，尽管各种示例涉及与用户的腿或下肢相关联的外骨骼系统110，但其他示例可以涉及用户身体的任何合适部分，包括躯干、手臂、头、腿等等。而且，尽管各种示例涉及外骨骼，但应明白，本公开可以应用于其他类似类型的技术，包括修复学、人体植入物、机器人等等。此外，尽管一些示例可以涉及人类用户，但其他示例可以涉及动物用户、机器人用户等等。

本公开包括用于开发外骨骼应用的数据驱动型意图识别程序的示例实施方案的各种方法。各种优选实施方案包括意图识别系统，所述意图识别系统使用从包括在一个或多个外骨骼系统110中的传感器313收集的数据，以便允许对意图识别性能的无监督精化。

例如，数据驱动型意图识别程序可以包括分类器或其他程序，所述分类器或其他程序处理直到时间点(t＝0)的传感器数据(例如，从一个或多个传感器313接收的数据)，以确定用户在该时刻的意图操纵。换句话说，外骨骼系统110可以运行至少部分地基于接收到的传感器数据来预期穿戴外骨骼系统110的用户的意图动作的程序。

在一些示例中，此类程序或方法的错误来源可以与实时分类器(在一些情况下，在操作者作出显著的物理运动以按他们的意图行事之前)递送对用户运动的准确预测的能力相关。例如，如果这些程序期望识别穿戴外骨骼系统110的用户的步态的脚趾离地阶段，则鉴于传感器313无法检测尚未发生的行为，意图识别程序可以在仅具有以下集合t＝[-n:0]内含有的传感器数据时试图发现脚趾离地阶段的意图。

在各种示例中，脚处的所有地面接触信号刚变为零，理论上理想的程序就将能够检测到脚趾离地。然而，在一些系统中，程序可能必须与诸如传感器噪声等等各种缺陷竞争，所述各种缺陷意味着外骨骼系统110在地面接触信号下降至零的时刻无法响应信号，并且在很多情况下，将需要等待传感器数据重复地指示地面接触已经结束。

这可以导致此类分类程序的分类行为的速度延迟。因此，一些数据驱动型意图识别程序结合监督，其中专家能够解析传感器数据并且在完整传感器数据的背景下指出事实，使得数据驱动型方法可以训练它们自己以最佳逼近监督专家的选择。

本公开描述了可以消除对专家监督员的需要的一些示例方法。具体地，在一些示例中，如果在具体感兴趣时刻t＝[-n:n]之前和之后的时刻完成对传感器数据的分类，则可以显著地改进分类方法的行为。因此，本文中论述的各个实施方案涉及集中于分类行为的方法。

一些示例方法可以重新考虑对外骨骼系统110的用户在过去的设定时刻(考虑t＝-n)的操纵的分类，这可以允许分类程序使用在讨论中的外骨骼系统110的用户的操纵之前和之后来自传感器313的数据，其包括时刻t＝[-2n:0]。在一些实施方案中，经由此类方法的分类可以比负责对外骨骼系统110的用户的操纵瞬时地分类的程序更准确地完成。因此，各种示例方法可以使用传感器数据来精化在t＝-n会发生的瞬时预测，从而试图使外骨骼系统110更像从预见分类确定的假定事实数据那样执行。

在一个实施方案中，比较和更新瞬时分类的过程可以在外接计算机(例如，用户装置120、分类服务器130等等)上进行，并且然后精化的分类器数据可以重新部署到一个或多个外骨骼系统110上，以便改进一个或多个外骨骼系统110的性能。在这样的实施方案中，相关的传感器数据可以从外骨骼系统110流出并且在分类服务器130上处理，其中可以生成更新或改进的分类方法。产生的分类方法数据可以部署到外骨骼装置110，以允许它执行分类方法数据中体现的精化意图识别行为。然而，在其他实施方案中，这样的处理可以在一个或多个其他合适的装置上发生，包括在外骨骼装置310处或在用户装置120(例如，智能电话、膝上型计算机、服务器或其他合适的装置)处。

这个示例方法的一些实施方案可以提供对分类程序的与每个控制回路一样快的高频率更新，而其他实施方案可以具有显著较慢的更新周期，诸如一年仅更新分类程序一次的实施方案。另外的其他实施方案可以基于其他规则以非周期性的间隔更新分类程序，诸如在确定更新会将准确度提高1％或其他合适的量或度量时更新外骨骼系统110的本地分类程序的实施方案。

在与人类用户协力使用的自适应外骨骼系统110的一些示例中，可能重要的是知道自适应意图识别在适应的速度。具体地，如果自适应外骨骼系统110适应太快，则它可以响应于不表示用户的典型运动的间歇非典型行为。如果外骨骼系统110适应稍微慢一点，则在一些实施方案中，可以创建以类似带宽响应于用户自己的与用户学习如何使用外骨骼系统110相关联的内部学习过程的自适应外骨骼系统110。在实施此类经调谐适应速度的情况下，在一些实施方案中，外骨骼系统110可以刚好在用户开始信任外骨骼系统110如何工作时开始适应其行为，从而导致用户的新学习阶段。

因此，在一些示例中，可能重要的是自适应意图识别程序以与用户自己的内部适应显著不同的速度进行适应。在很多实施方案中，这可以通过使外骨骼系统110以比用户显著更慢的速度进行适应来解决。在其他实施方案中，意图识别程序的适应速度可以是用户可选择的，以允许操作者或管理员单独地选择外骨骼系统110的意图适应的响应性。

因此，在各个实施方案中，外骨骼系统110可以至少部分地基于在外骨骼系统110的界面处接收的输入、至少部分地基于在用户装置120的界面处接收的输入和/或经由从分类服务器130接收的指令来改变外骨骼系统110上运行的意图识别程序的适应速度。在其他实施方案中，外骨骼系统110可以基于传感器数据等等来自动地调谐外骨骼系统110上运行的意图识别程序的适应速度。例如，可以至少部分地基于传感器数据来作出意图识别程序对于用户而言适应太快的确定，并且外骨骼系统110可以自动地减慢意图识别程序的速度，使得外骨骼系统110以更好地满足用户需要的速度适应。

例如，图4示出了更新一组分类规则的示例方法400，所述分类规则可以体现在存储于外骨骼系统110的存储器312中的分类程序中。方法400在405存在，其中确定当前的一组分类规则的准确度。例如，可以通过应用当前的一组分类规则以确定对感兴趣时刻(t＝0)的外骨骼系统110装置状态或用户状态的估计来确定基线准确度。在其他示例中，可以至少部分地基于与当前的一组分类规则相关的历史数据来确定准确度，所述当前的一组分类规则可以包括关于使用当前的一组分类规则的成功和未成功分类尝试的数据。在各个实施方案中，准确度可以基于成功分类尝试与未成功分类尝试之比。

在410，可以生成更新的一组分类规则。例如，可以通过各种合适的方式生成更新的一组分类规则，包括经由当前分类规则的随机变化、基于一个或多个启发法对当前分类规则的变化等等。换句话说，更新的一组分类规则可以包括当前的一组分类规则的变化或其增量。在其他实施方案中，可以生成更新的一组分类规则，其不基于当前的一组分类规则。换句话说，可以在不参考或不考虑当前的一组分类规则的情况下生成更新的一组分类规则。在各个实施方案中，可以以类似的方式生成参考的一组分类规则或参考分类程序。

在415，可以确定更新的一组分类规则的准确度。例如，其中如上所述，通过应用当前的一组分类规则以确定对感兴趣时刻(t＝0)的外骨骼系统110装置状态或用户状态的估计来确定基线准确度，并且然后可以在稍后的固定时刻(t＝n)应用更新的分类规则，以使用在稍后时间帧(t≥n)和/或在稍后时间帧之前(例如，n≥t≥0)收集的附加传感器信息来确定对原始感兴趣时刻(t＝0)的外骨骼系统110装置状态或用户状态的估计。

在其他示例中，可以至少部分地基于与外骨骼系统110相关联的历史数据来确定更新的一组分类规则的准确度，其可以包括使用历史数据进行分类尝试，并且然后可以分析此类尝试以确定此类分类尝试是在成功还是未成功的情况下。更新的分类规则的准确度可以基于通过更新的分类规则进行的成功分类尝试与未成功分类尝试之比。例如，通过更新的分类规则进行的成功分类尝试和未成功分类尝试可以基于数据来确定，诸如用来确定通过当前分类规则进行的成功分类尝试和未成功分类尝试的数据。

在一些示例中，更新的分类规则可以临时在一个或多个外骨骼系统110上实施，并且可以基于一个或多个外骨骼系统110的实际使用来评估更新的分类规则。另外地，尽管对当前规则或更新规则的评估可以基于单个外骨骼系统110的数据，但在一些示例中，此类评估可以基于来自多个外骨骼系统110(例如，见图2)的历史数据。

返回图4，方法400继续到420，其中确定在更新的一组分类规则与当前的一组分类规则之间的准确度差异，并且在425，作出准确度差异是否大于替换阈值的确定。如果否的话，则在430维持当前的一组分类规则，并且如果是的话，则在435，由更新的一组分类规则来替换当前的一组分类规则。例如，在确定更新的分类规则比当前的一组分类规则提供实质性改善的情况下，可以由改进的更新分类规则来替换当前分类规则。如图4所示，这样的方法400可以迭代地改进当前的一组分类规则。例如，在430和435之后，方法400可以循环回到405，其中再次评估新的或维持的一组分类规则。

在其他示例中，在针对当前和更新的一组分类规则确定估计的外骨骼系统110装置状态和/或用户状态的情况下，可以将此类估计进行比较。如果来自当前的一组分类规则的结果不同于来自更新的一组分类规则的结果(其在一些情况下可能更准确)，那么当前的一组分类规则可以被改编以开发被设计成更好地确定感兴趣时间(t＝0)的分类准确度的第二更新的一组分类规则。当前的一组分类规则可以用第二更新的一组分类规则来更新或者可以由其替换。

因此，在一些实施方案中，更新一组分类规则的方法可以包括：确定由外骨骼系统110实施的当前分类程序的第一状态估计；确定参考分类程序的第二状态估计；确定在第一状态估计与第二状态估计之间的差异大于分类程序替换阈值；生成更新的分类程序；以及至少部分地基于确定在第一状态估计与第二状态估计之间的差异大于分类程序替换阈值，用更新的分类程序替换当前分类程序。

在各个实施方案中，此类方法可以在外骨骼系统110处本地执行、在用户装置120处本地执行和/或在分类服务器130处远程执行。另外地，方法300或其部分可以在没有用户输入的情况下自动地执行。例如，外骨骼系统110可以在没有用户、管理员等的输入的情况下自动地改进外骨骼系统110在外骨骼系统110的操作期间使用的分类规则。类似地，用户装置120和/或分类服务器130可以类似地在没有用户、管理员等的输入的情况下自动地改进外骨骼系统110在外骨骼系统110的操作期间使用的分类规则。这种自动化对于有效地改进一个或多个外骨骼系统110的功能来说可以是期望的，而无需来自用户或管理员的输入或对其需要有限。另外地，尽管本文中的各种示例中论述了分类规则，但应明白，此类方法可以应用于体现、采用或施行此类分类规则的分类程序、意图识别程序等等。在各个实施方案中，分类程序和意图识别程序可以是指相同类型的程序、方法、算法等等。

出于各种原因，可以执行意图识别程序的无监督精化。例如，一个实施方案可以精化意图识别分类行为，以便改进分类在用户群上的性能。在这个实施方案中，相同的分类程序可以部署到多个外骨骼系统110，并且在使用中使用在该组外骨骼系统110上收集到的较大的可用数据池，以增加外骨骼系统110的性能。

例如，如图5所示，用于改进多个外骨骼系统110的分类程序的示例方法500可以在510开始，其中从多个外骨骼系统110获得性能数据。在520，基于接收到的性能数据生成更新的分类方法，并且在530，将更新的分类程序发送到多个外骨骼系统110。例如，在一些实施方案中，方法500可以由分类服务器130(例如，见图2)执行。然而，在一些实施方案中，方法500可以由用户装置120执行和/或在一个或多个外骨骼系统110处执行。另外地，生成更新的分类程序可以包括各种合适的步骤，包括如上文在图4的方法400中描述的步骤。

在另一实施方案中，可以精化意图识别程序的行为，以允许针对单独用户更好地执行具体外骨骼系统110的性能。这样的实施方案可以精化意图识别的行为，以改进具体外骨骼系统110的分类随时间推移的准确度或响应性。具体外骨骼系统110的这些改进的识别行为的细节随后可以进行存储(例如，存储在一个或多个本地装置上，诸如存储在外骨骼系统110的存储器312中、存储在用户装置120和/或一个或多个远程装置处，诸如分类服务器130或用户装置120)，以便完全地部署到替换外骨骼系统110或不同的具体外骨骼系统110上，以允许这些具体外骨骼系统110知道具体用户的移动和偏好。

又一实施方案可以精化意图识别程序的行为以适应外骨骼系统110的传感器313的响应随时间推移的变化。对意图识别程序的这些更新可以被设计成考虑到传感器行为随时间推移的正常变化，以解决传感器313的灾难性故障等等。

例如，图6示出了基于外骨骼系统110的一个或多个传感器313的状态来更新分类程序的示例方法600。方法600在610开始，其中针对利用当前分类程序操作的外骨骼系统110来确定外骨骼装置传感器状态。在620，作出外骨骼状态是否存在变化的确定。例如，一个或多个传感器313的状态的变化可以包括传感器可操作/不可操作、校准状态的变化、传感器准确度的变化、外骨骼系统110上的传感器物理位置的变化等等。在一些实施方案中，传感器状态变化可以与外骨骼系统110的部分的变化相关联，包括一个或多个致动器305、气动系统320、气动管线330等等的变化。例如，外骨骼系统110的部分的问题、退化和/或材料变化可以与传感器状态的变化相关联。

在620中未识别外骨骼装置传感器状态的变化的情况下，方法600循环回到610，其中继续监测外骨骼装置传感器状态。然而，当620中识别出外骨骼装置传感器状态的变化时，方法600继续到630，其中至少部分地基于外骨骼装置传感器状态的识别出的变化来生成更新的分类程序，并且在640，由更新的分类程序替换当前分类程序。

例如，在外骨骼系统110的变化导致传感器不同地报告传感器数据的情况下，外骨骼系统110的当前分类程序可以失去准确度，因为它没有调谐到当前分类程序所吸收的传感器数据的变化。因此，可以识别外骨骼装置传感器状态的此类变化，并且用调谐到外骨骼装置传感器状态的变化的更新分类程序替换当前分类程序。

至于这些程序的性能，在一些实施方案中，意图识别分类器设计的细节可以对程序的性能产生显著影响。重要的是应注意，具体分类程序不限制根据各个实施方案的所述方法的应用。本说明书内使用术语分类或分类器用来表示指定外骨骼系统110的操作员在所考虑的某一时间的意图的算法、程序或方法。分类程序可以包括，但不限于，支持向量机、神经网络、线性判别分析、二次判别分析、动态贝叶斯网、隐马尔可夫模型等等。

为清楚起见，用来识别外骨骼系统用户意图的程序可以被配置成识别来自外骨骼系统110的操作者的各种各样的运动。这些可以包括由操作者有意识地和/或潜意识地执行的运动、操纵、移动、站位、步态等等。这些意图识别程序可以考虑、分析、分类等等的具体运动可以包括，但不限于，走路、站立、跑步、跳跃、蹲坐、上楼梯、下楼梯、落地、转弯、坐下、抓握、伸出等等。类似地，这些意图是被程序可以应用于识别可能重要的步态的中间操纵阶段，其可以包括，但不限于，脚跟着地、中间站位、后期站位、脚趾离地、飞行、上、下等等。

在一些实施方案中，引入此类新的自适应意图识别程序可能需要用户与外骨骼系统110交互的新方法。例如，实施方案可以向用户提供手动意图覆盖行为，在意图识别程序没有像预期或期望的那样行事的情况下，用户可以使用所述手动意图覆盖行为来迫使意图识别程序进入期望的行为。另一组实施方案可以包括允许外骨骼系统110的操作者影响数据驱动型程序的学习行为的用户反馈。

一个这种反馈实施方案可以向操作者提供手动选项，以有助于通过精化外骨骼系统110已经看见的新行为来精化外骨骼系统110的性能。例如，如果瞬时分类器程序相信人在从站立移动到上楼梯，但预见分类器程序相信人实际上过渡到蹲坐，则外骨骼系统110可以发现有用的是允许用户确认这个执行的变化。

例如，图7示出了至少部分地基于对分类确定的用户响应来调谐分类程序的示例方法700。方法700在705存在，其中感测外骨骼系统110的状态变化，并且在710，确定感测到的状态变化的分类。例如，外骨骼系统110可以从传感器313获得数据，所述数据指示外骨骼系统110的用户开始新移动或移动的变化。外骨骼系统110的分类程序可以对新移动进行分类。

在715，向与外骨骼系统110相关联的用户呈现分类，并且在720，从与外骨骼系统110相关联的用户获得分类响应。例如，在一些实施方案中，可以在(例如，用户装置120、外骨骼装置310等等的)显示器上呈现分类，并且用户可以经由诸如触摸屏、按钮等等用户输入提供响应(例如，指示拒绝或确认分类)。被呈现分类和/或提供对分类的响应的用户可以是穿戴外骨骼系统110的用户、与穿戴外骨骼系统110的用户一起工作的管理员等等。

在725，作出分类响应是确认还是拒绝的确定，并且如果用户响应是对分类确定的拒绝，那么在730，调谐分类程序以弱化分类确定。然而，如果用户响应是对分类确定的确认，那么在730，调谐分类程序以强化分类确定。例如，在用户确认分类确定的情况下，可以改变分类程序以加强用来作出分类确定的确定方法。在另一示例中，在用户确认分类确定的情况下，可以对成功分类作出记录，并且如果不是的话，那么可以生成未成功分类的记录。可以使用成功和未成功分类的此类记录，如本文中论述(例如，在上文论述的方法300中)。

尽管很多项目会影响确定寻求用户确认的原因，但一个度量可以是每当精化的分类移动到装置将基本上不同于它在原始行为下执行的装置状态时就要求确认。换句话说，在一些实施方案中，用户确认可以限于高于限定与很小变化相比而言的显著变化的阈值的外骨骼状态的变化。

例如，图8示出了确定是否呈现针对分配确定的确认请求的方法800。方法800在810开始，其中确定与第一装置状态相关联相关联的第一分类，并且在820，确定与第二装置状态相关联相关联的第二分类。在830，确定在第一装置状态与第二装置状态之间的差异，并且在840，作出在第一装置状态与第二装置状态之间的差异是否高于性能差异阈值的确定。例如，在一些实施方案中，差异可以高于性能差异阈值，其中第二行为分类移动到外骨骼装置将基本上不同于它在第一行为分类下执行的外骨骼状态。

如果确定在第一装置状态与第二装置状态之间的差异高于性能差异阈值，那么在830，向用户呈现针对第二分类的确认请求。例如，见图7的方法700的步骤710。然而，如果确定在第一装置状态与第二装置状态之间的差异不高于性能差异阈值，那么在835，不向用户呈现针对第二分类的确认请求。

另一实施方案可以向用户提供反馈，所述反馈朝向装置的经验调整，诸如操纵在分类准确度与分类延迟之间的平衡。例如，如果用户对最大化性能感兴趣但处于他们可以吸收较高可能的分类误差的安全情形下，则用户可以推举让外骨骼系统110以较低置信水平作出意图识别决定，以便使外骨骼系统110尽可能快地响应。出于清楚的目的，在各个实施方案中，这些反馈特征的介质不具特殊重要性。反馈可以由用户通过各种输入方法来开始，所述输入方法包括，但不限于，手机、个人计算机、遥控装置、可穿戴的陪伴控制器等等(例如，经由外骨骼系统110和/或用户装置120)。另外，可以以各种合适的方式提供来自用户的输入，包括经由诸如触摸屏、按钮等物理输入、音频输入(例如，语音命令)等等。类似地，可以利用各种合适的接口以各种合适的方式提供向用户的呈现，包括经由屏幕、音频输出、触觉反馈等等。

类似于这些新程序可以如何要求外骨骼系统110中的用户的新交互，在一些实施方案中，此类新程序还可以引入对开发人员或最终用户的允许他们理解外骨骼系统110如何操作的新交互的需要。一个实施方案包括向相关方展示外骨骼系统110的性能的用户界面。例如，用户界面可以用图形描绘可允许的操纵过渡并且识别外骨骼系统110已经展示出很小可能性的准确分类的过渡。其他实施方案可以包括关于这些意图识别分类随时间推移的准确度的信息。另外的其他实施方案可以通过在没有收集到足够信息的情况下识别具体操纵或者通过识别可以导致意图识别程序性能的变化的外骨骼系统110行为的变化来提供关于如何改进意图识别程序性能的性能的见解。

其他实施方案可以向外骨骼系统110的设计人员提供关于哪些传感器313对外骨骼系统110的性能影响最大的反馈。例如，设计人员是否设想到外骨骼系统110的过渡并且尝试提高具体过渡的准确性。用户界面可以建议添加在先前的训练示例中已经显示为改进这个分类的其他传感器313或传感器准确度。

出于清楚的目的，本公开的各种示例集中于外骨骼系统110的设计和实施；然而，其他示例应用于广泛范围的穿戴装置，其中装置将机载传感器用于识别用户的意图行为的目的。这个的具体示例是鞋类，具体地可能是运动鞋类，其中装置是使用所包括的传感器来确定操作者的意图行为，使得它可以报告统计信息或者针对用户来适应性能特性。

本文所述的方法可以用于各种合适的操作环境。例如，实施方案可以包括具有一个或多个传感器313的外骨骼系统110，所述传感器设置在外骨骼装置周围并且被配置成感测外骨骼系统110的各种状态，包括移动、旋转、加速、取向、温度等等。如本文中论述，这种外骨骼系统110可以与用户的一个或多个身体部分相关联。例如，一些实施方案可以仅与用户的腿相关联，而其他实施方案可以与腿、躯干和手臂相关联。

外骨骼系统110可以包括被配置成以各种合适的方式移动外骨骼系统110的一个或多个致动器。此类致动器可以包括射流致动器(例如，致动器305)、马达致动器等等。外骨骼系统110还可以包括可操作来控制致动器的控制系统，并且这样的控制系统可以可操作地联接到传感器和致动器。外骨骼系统110还可以包括诸如电源、处理器311和存储器312等部件，其中软件或固件可操作以执行本文所述的方法的至少一部分。

一些实施方案可以包括多个处理级。例如，图9示出了包括三个处理级的外骨骼处理网络900的一个实施方案。网络900的第一架构级可以包括外骨骼系统110上的本地处理元件，包括数据收集过程910和分类程序处理过程920。例如，数据收集过程910可以获得并处理从传感器313(例如，见图3)的数据，并且将此类经处理的数据发送到分类执行过程920，所述分类执行过程运行分类程序，其可以包括如本文中论述的分类程序。各个实施方案可以通过各种方法在外骨骼系统110处实施处理，包括但不限于，单个集中的嵌入式DSP、一组分布式处理器、后台计算过程、实时过程等等。

网络900的第二架构级可以包括附近辅助处理单元，所述附近辅助处理单元可以包括用户装置120等等(例如，见图1)。用户装置可以执行特征提取过程930，所述特征提取过程从外骨骼系统110处的数据收集过程910接收数据、执行包括特征提取的动作等等。如本文中论述，这个用户装置120可以通过诸如蓝牙连接等等合适的通信信道可操作地耦合到外骨骼系统110。这个第二层可以在能够由用户装置120的用户监视的处理单元上操作。这个第二层可以在如本文中论述的各种合适的用户装置120上操作，包括手机、个人计算机等等。

第三处理级可以包括基于网络的处理系统，诸如远离用户装置120和外骨骼系统110的分类服务器130(例如，见图1和图2)，并且在各个实施方案中，该分类服务器不由外骨骼系统110和用户装置120的用户直接控制。分类服务器130处的第三处理级可以包括标签推导过程940，所述标签推导过程从用户装置120处的特征提取过程930接收数据，并且在接收到的数据上执行标签推导。来源于标签推导过程940的标签推导的日期可以提供到分类程序更新过程950，所述分类程序更新过程至少部分地基于由标签推导过程940生成的数据来生成更新的分类程序。分类程序更新过程950可以将更新的分类程序发送到用户装置120，并且用户装置120可以将更新的分类程序数据发送到外骨骼系统110处的分类程序执行过程920，其中由分类程序执行过程920执行的当前分类过程可以被接收到的更新分类程序数据中所体现的更新的分类程序替换。

为清楚起见，其他实施方案可以添加到、移除或重新配置图9所示的示例处理层的方面。因此，本示例不应被解释为限制处于本公开的范围和精神内的广泛多种替代实施方案。

各个实施方案可以包括许多离散过程。这些可以包括数据收集过程910、特征提取过程930、标签推导过程940、分类程序更新过程950、分类程序执行过程920等等。尽管这些示例离散过程中的一些可以在具体处理单元上执行，如图9中的示例所示，但一些过程可以在各种处理级上构建和处理。例如，数据处理过程910和分类程序执行过程920可以在用户装置120上执行，其中其他过程部署在其他处理级上，包括在分类服务器130处或外骨骼系统110处。因此，尽管图9中示出了具体示例，但过程的其他合适配置在本公开的范围和精神内。

本公开的另一方面是关于分类程序更新的频率和分布。在很多实施方案中，分类程序更新的价值可以通过改进的分类程序的规则分布来提供。在很多情况下，归因于与大多数常规外骨骼110的硬件相关联的高资本成本，这是可以驱策的。然而，在一些实施方案中，硬件的成本可以改变最高价值分布方法。在这个实施方案中，可以证实最有价值的是并且更新方法以从在现场的装置获取数据，并且然后更新分类程序，但仅在新版本硬件上部署更新的分类程序。

一个实施方案可以将鞋类用作装置硬件。在这个实施方案中，硬件经销商可以使用更新的算法来驱策接受他们的新版鞋类，因为他们的商业模式以年度模型销售为中心。这个实施方案可以充分利用本文中和上文引用的相关专利申请62/454,575中所述的实施方案的特征，然而，它可以使用离散部署架构，与预期在几个月内被淘汰的旧硬件相反，所述离散部署架构将已经通过无监督学习进行训练的意图分类程序部署到新硬件上。

转到图10，气动外肌肉系统110的一个实施方案110E被示为包括设置在用户1001所表达的衬衫1020的位置处的多个致动器305。肩部致动器305S被示为定位在用户1001的肩部1005上方。肘部致动器305E被示为定位在用户1001的肘部1003上方。手腕致动器305W被示为定位在用户1001的手腕1004上方。

类似地，图11示出了气动外肌肉系统110的另一实施方案110F，其被示为包括设置在用户1001的腿1101上所穿的绑腿1120上的位置处的多个致动器305。前膝部致动器致动器305KA和后膝部致动器305KP被示为定位在用户1001的膝部1102的相应前侧1102A和后侧1102P上。前髋致动器致动器305HA和后髋致动器305HP被示为定位在用户1001的髋1103的相应前侧1103A和后侧1103P上。脚踝致动器305A被示为定位在用户1001的脚踝1104上。

尽管图10和图11示出了分开的上套装110E和下套装110F，但在各个实施方案中，气动外肌肉系统110可以被配置成覆盖用户1001的整个身体或用户1001的身体的部分。例如，气动外肌肉系统110可以体现在完整的身体套装、袖套、腿套、手套、袜子等中。另外地，尽管致动器305被描绘为定位在肘部103、手腕104、肩部105、膝部1102、髋1103和脚踝1104上方，但这些致动器305中的任何一者或多者可以不存在和/或另外的致动器305可以存在于任何其他合适的位置。例如，致动器305可以存在于手上、脚上、颈上、躯干上等等。图12示出了包括定位在用户1001的脚踝1104上的脚踝致动器305A的外骨骼系统110的一个示例实施方案110G。

此外，本公开论述了由人类用户1001穿戴的气动外肌肉系统110的各个实施方案，但在其他实施方案中，气动外肌肉系统110可以被适配成由非人类用户(例如，动物)使用或被适配成用于诸如机器人等非生命装置。例如，一个实施方案包括在没有穿戴在身体1001上的机械臂(也被称为机械操纵器)中使用气动外肌肉系统110和/或一个或多个致动器305。

可以鉴于以下条款来描述本公开的实施方案：

1.一种外骨骼网络，其包括：

可穿戴气动外骨骼系统，所述可穿戴气动外骨骼系统包括：

多个气动致动器，所述多个气动致动器被配置成与穿戴所述气动外骨骼的用户的身体部分相关联，

气动系统，所述气动系统被配置成向所述多个致动器引入气动流体，以致动所述多个致动器，以及

外骨骼计算装置，所述外骨骼计算装置包括：

多个传感器；

存储器，所述存储器至少存储分类程序，以及

处理器，所述处理器执行所述分类程序，所述分类程序至少部分地基于由所述分类程序生成的对从所述多个传感器获得的传感器数据的分类来控制所述气动系统；

用户装置，所述用户装置在所述可穿戴气动外骨骼的本地并且与可穿戴气动外骨骼可操作地通信；以及

分类服务器，所述分类服务器远离所述用户装置和可穿戴气动外骨骼并且与可穿戴气动外骨骼和所述用户装置可操作地通信，

其中所述外骨骼网络：

确定由所述可穿戴气动外骨骼实施的当前分类程序的第一状态估计；

确定参考分类程序的第二状态估计；

确定在所述第一状态估计与所述第二状态估计之间的差异大于分类程序替换阈值；

生成更新的分类程序；以及

至少部分地基于确定在所述第一状态估计与所述第二状态估计之间的所述差异大于所述分类程序替换阈值来用所述更新的分类程序替换所述当前分类程序。

2.如条款1所述的外骨骼网络，其还包括与所述分类服务器可操作地通信的多个可穿戴气动外骨骼系统，所述多个可穿戴气动外骨骼系统中的每一者包括：

外骨骼计算装置，所述外骨骼计算装置包括：

多个传感器；

存储器，所述存储器至少存储分类程序，以及

处理器，所述处理器执行所述分类程序，所述分类程序至少部分地基于所述分类程序对从所述多个传感器获得的传感器数据的分类来控制所述气动系统。

3.如条款2所述的外骨骼网络，其中所述分类服务器至少部分地基于确定在第一准确度与第二准确度之间的准确度差异大于所述分类程序替换阈值来用所述更新的分类程序替换所述多个外骨骼系统的相应当前分类程序。

4.如条款1至3中任一项所述的外骨骼网络，其中所述分类服务器生成所述更新的分类程序。

5.如条款4所述的外骨骼网络，其中所述分类服务器至少部分地基于从多个外骨骼系统接收到的分类程序性能数据来生成所述更新的分类程序。

6.一种外骨骼系统，其包括：

多个致动器，所述多个致动器被配置成与穿戴所述外骨骼的用户的身体部分相关联，以及

外骨骼计算装置，所述外骨骼计算装置包括：

多个传感器；

存储器，所述存储器至少存储分类程序，以及

处理器，所述处理器执行所述分类程序，所述分类程序至少部分地基于由所述分类程序生成的对从所述多个传感器获得的传感器数据的分类来控制所述多个致动器；

其中所述外骨骼系统：

确定由所述外骨骼系统实施的当前分类程序的第一状态估计；

确定参考分类程序的第二状态估计；

生成更新的分类程序；以及

7.如条款6所述的外骨骼系统，其中所述外骨骼系统进一步：

识别高于阈值的外骨骼装置传感器状态的变化；

至少部分地基于所述外骨骼装置传感器状态的所述识别出的变化来生成第二更新的分类程序；以及

用所述第二更新的分类程序替换所述更新的分类程序。

8.如条款6或7所述的外骨骼系统，其中所述外骨骼系统进一步：

感测外骨骼状态变化；

使用所述更新的分类程序来确定所述外骨骼状态变化的第一分类；

向与所述外骨骼系统相关联的用户呈现所述第一分类；

获得与所述呈现的第一分类相关联的分类响应；以及

至少部分地基于所述分类响应来修改所述分类程序。

9.如条款8所述的外骨骼系统，其中经由与所述外骨骼系统相关联的显示屏向所述用户呈现所述第一分类。

10.如条款8所述的外骨骼系统，其中经由与所述外骨骼系统相关联的按钮或触摸屏从用户选择获得所述分类响应。

11.如条款8所述的外骨骼系统，其中所述外骨骼系统进一步：

确定在所述外骨骼状态变化之前发生的前一外骨骼状态的前一分类；

确定在前一分类与所述第一分类之间的差异至少满足性能差异阈值；以及

至少部分地基于确定在所述前一分类与所述第一分类之间的所述差异至少满足所述性能差异阈值来向与所述外骨骼系统相关联的用户呈现所述第一分类。

12.一种操作外骨骼系统的方法，其包括：

确定参考分类程序的第二状态估计；

生成更新的分类程序；以及

13.如条款12所述的操作所述外骨骼系统的方法，其还包括至少部分地基于在所述外骨骼系统处生成的分类程序性能数据来生成所述更新的分类程序。

14.如条款12或13所述的操作所述外骨骼系统的方法，其还包括

感测外骨骼状态变化；以及

使用所述更新的分类程序来确定所述外骨骼状态变化的第一分类。

15.如条款14所述的操作所述外骨骼系统的方法，其还包括：

向与所述外骨骼系统相关联的用户呈现所述第一分类；

获得与所述呈现的第一分类相关联的分类响应；以及

至少部分地基于所述分类响应来修改所述分类程序。

16.如条款14所述的操作所述外骨骼系统的方法，其中所述第一分类包括以下至少一者：走路、站立、跑步、跳跃、蹲坐、上楼梯、下楼梯、落地、转弯、坐下、抓握或伸出。

17.如条款16所述的操作所述外骨骼系统的方法，其中所述分类至少部分地基于从与所述外骨骼系统相关联的多个传感器获得的传感器数据。

18.如条款17所述的操作所述外骨骼系统的方法，其中所述多个传感器分别与所述外骨骼系统的一组致动器相关联。

19.如条款14所述的操作所述外骨骼系统的方法，其中所述当前分类程序和所述更新的分类程序包括以下至少一者：支持向量机、神经网络、线性判别分析、二次判别分析、动态贝叶斯网或隐马尔可夫模型。

20.如条款14所述的操作所述外骨骼系统的方法，其还包括至少部分地基于从用户接收到的输入来改变所述更新的分类程序的适应速度。

所描述的实施方案易受各种修改和替代形式影响，但其具体示例已经通过在附图中举例示出并且在本文中详细地描述。然而，应理解，所描述的实施方案不限于所公开的特定形式或方法，但相反，本公开涵盖所有修改、等效物和替代方案。

Claims

1.一种外骨骼网络，其包括：

可穿戴气动外骨骼系统，所述可穿戴气动外骨骼系统包括：

外骨骼计算装置，所述外骨骼计算装置包括：

多个传感器；

存储器，所述存储器至少存储分类程序，以及

其中所述外骨骼网络：

确定参考分类程序的第二状态估计；

生成更新的分类程序；以及

2.如权利要求1所述的外骨骼网络，其还包括与所述分类服务器可操作地通信的多个可穿戴气动外骨骼系统，所述多个可穿戴气动外骨骼系统中的每一者包括：

外骨骼计算装置，所述外骨骼计算装置包括：

多个传感器；

存储器，所述存储器至少存储分类程序，以及

3.如权利要求2所述的外骨骼网络，其中所述分类服务器至少部分地基于确定在第一准确度与第二准确度之间的准确度差异大于所述分类程序替换阈值来用所述更新的分类程序替换所述多个外骨骼系统的相应当前分类程序。

4.如权利要求1所述的外骨骼网络，其中所述分类服务器生成所述更新的分类程序。

5.如权利要求4所述的外骨骼网络，其中所述分类服务器至少部分地基于从多个外骨骼系统接收到的分类程序性能数据来生成所述更新的分类程序。

6.一种外骨骼系统，其包括：

外骨骼计算装置，所述外骨骼计算装置包括：

多个传感器；

存储器，所述存储器至少存储分类程序，以及

其中所述外骨骼系统：

确定参考分类程序的第二状态估计；

生成更新的分类程序；以及

7.如权利要求6所述的外骨骼系统，其中所述外骨骼系统进一步：

识别高于阈值的外骨骼装置传感器状态的变化；

用所述第二更新的分类程序替换所述更新的分类程序。

8.如权利要求6所述的外骨骼系统，其中所述外骨骼系统进一步：

感测外骨骼状态变化；

向与所述外骨骼系统相关联的用户呈现所述第一分类；

获得与所述呈现的第一分类相关联的分类响应；以及

至少部分地基于所述分类响应来修改所述分类程序。

9.如权利要求8所述的外骨骼系统，其中经由与所述外骨骼系统相关联的显示屏向所述用户呈现所述第一分类。

10.如权利要求8所述的外骨骼系统，其中经由与所述外骨骼系统相关联的按钮或触摸屏从用户选择获得所述分类响应。

11.如权利要求8所述的外骨骼系统，其中所述外骨骼系统进一步：

12.一种操作外骨骼系统的方法，其包括：

确定参考分类程序的第二状态估计；

生成更新的分类程序；以及

13.如权利要求12所述的操作所述外骨骼系统的方法，其还包括至少部分地基于在所述外骨骼系统处生成的分类程序性能数据来生成所述更新的分类程序。

14.如权利要求12所述的操作所述外骨骼系统的方法，其还包括：

感测外骨骼状态变化；以及

15.如权利要求14所述的操作所述外骨骼系统的方法，其还包括：

向与所述外骨骼系统相关联的用户呈现所述第一分类；

获得与所述呈现的第一分类相关联的分类响应；以及

至少部分地基于所述分类响应来修改所述分类程序。

16.如权利要求14所述的操作所述外骨骼系统的方法，其中所述第一分类包括以下至少一者：走路、站立、跑步、跳跃、蹲坐、上楼梯、下楼梯、落地、转弯、坐下、抓握或伸出。

17.如权利要求16所述的操作所述外骨骼系统的方法，其中所述分类至少部分地基于从与所述外骨骼系统相关联的多个传感器获得的传感器数据。

18.如权利要求17所述的操作所述外骨骼系统的方法，其中所述多个传感器分别与所述外骨骼系统的一组致动器相关联。

19.如权利要求14所述的操作所述外骨骼系统的方法，其中所述当前分类程序和所述更新的分类程序包括以下至少一者：支持向量机、神经网络、线性判别分析、二次判别分析、动态贝叶斯网或隐马尔可夫模型。

20.如权利要求14所述的操作所述外骨骼系统的方法，其还包括至少部分地基于从用户接收到的输入来改变所述更新的分类程序的适应速度。