買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉武漢大學(xué)申請的專利基于自振蕩的下肢外骨骼步態(tài)軌跡規(guī)劃方法及裝置獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN118537915B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202410553154.7，技術(shù)領(lǐng)域涉及：G06V40/20；該發(fā)明授權(quán)基于自振蕩的下肢外骨骼步態(tài)軌跡規(guī)劃方法及裝置是由郭朝;付志軍;楊瀟;伊爍聞;王震設(shè)計(jì)研發(fā)完成，并于2024-05-07向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于自振蕩的下肢外骨骼步態(tài)軌跡規(guī)劃方法及裝置在說明書摘要公布了：本發(fā)明提供基于自振蕩的下肢外骨骼步態(tài)軌跡規(guī)劃方法及裝置，包括連續(xù)采集穿戴者若干組行走過程的關(guān)節(jié)角度信息和足底壓力信息，根據(jù)足底壓力信息初步將行走過程劃分為多個步態(tài)階段，將初步獲取的步態(tài)階段及對應(yīng)的關(guān)節(jié)角度信息作為數(shù)據(jù)集，搭建CNN卷積神經(jīng)網(wǎng)絡(luò)模型，將數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，通過CNN卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行連續(xù)訓(xùn)練，準(zhǔn)確獲取每一個步態(tài)階段的起始點(diǎn)，通過起始點(diǎn)準(zhǔn)確獲取每一步態(tài)階段，建立自適應(yīng)振蕩器模型，輸入數(shù)據(jù)集到自適應(yīng)振蕩器模型中，輸出跟蹤相位，結(jié)合CNN卷積神經(jīng)網(wǎng)絡(luò)模型獲取的步態(tài)階段，進(jìn)行下肢外骨骼步態(tài)軌跡規(guī)劃，實(shí)時在線動態(tài)調(diào)整預(yù)測輸出軌跡。本發(fā)明能夠適應(yīng)人行走時步速非恒定的要求，實(shí)現(xiàn)步態(tài)軌跡動態(tài)規(guī)劃。

本發(fā)明授權(quán)基于自振蕩的下肢外骨骼步態(tài)軌跡規(guī)劃方法及裝置在權(quán)利要求書中公布了：1.基于自振蕩的下肢外骨骼步態(tài)軌跡規(guī)劃方法，其特征在于，包括： 連續(xù)采集穿戴者若干組行走過程的關(guān)節(jié)角度信息和足底壓力信息； 根據(jù)足底壓力信息初步將行走過程劃分為腳跟著地、平腳、腳尖著地、搖擺4個步態(tài)階段，將初步獲取的步態(tài)階段及對應(yīng)的關(guān)節(jié)角度信息作為數(shù)據(jù)集； 搭建CNN卷積神經(jīng)網(wǎng)絡(luò)模型，將所述數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，通過所述CNN卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行連續(xù)訓(xùn)練，準(zhǔn)確獲取每一個步態(tài)階段的起始點(diǎn)，通過起始點(diǎn)準(zhǔn)確獲取每一步態(tài)階段：根據(jù)前后兩個時刻的CNN卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果判斷步態(tài)階段，當(dāng)前后兩個時刻的預(yù)測結(jié)果出現(xiàn)變化，則表明步態(tài)階段發(fā)生變化，獲取步態(tài)階段變化的時刻作為步態(tài)階段的起始點(diǎn)； 建立自適應(yīng)振蕩器模型，輸入所述數(shù)據(jù)集到所述自適應(yīng)振蕩器模型中，輸出跟蹤相位，結(jié)合所述CNN卷積神經(jīng)網(wǎng)絡(luò)模型獲取的步態(tài)階段，進(jìn)行下肢外骨骼步態(tài)軌跡規(guī)劃，實(shí)時在線動態(tài)調(diào)整預(yù)測輸出軌跡， 建立自適應(yīng)振蕩器模型的方法為： 將穿戴者行走過程視為近似周期信號，分解為多個傅里葉角疊加，表達(dá)式為： 式中，是重構(gòu)關(guān)節(jié)角度，和是傅里葉分解系數(shù)，是傅里葉分解對個數(shù)，是自適應(yīng)振蕩器模型相位； 傅里葉分解系數(shù)和的修正微分方程如下式： 式中，是學(xué)習(xí)常數(shù)，用來調(diào)整和變化的快慢，傅里葉分解系數(shù)和是周期信號的幅值； 通過CNN卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測出腳跟著地的步態(tài)階段的起始點(diǎn)，將起始點(diǎn)對應(yīng)的自適應(yīng)振蕩器模型相位標(biāo)記為，此時周期的步態(tài)劃分如下： 式中，是穿戴者行走過程中的跟蹤相位。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人武漢大學(xué)，其通訊地址為：430072 湖北省武漢市武昌區(qū)八一路299號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。