Носимые роботизированные устройства — мягкие экзоскелеты, основанные на тросовых редукторах с электроприводом, продемонстрировали потенциал для повышения экономии человеческих ресурсов и выносливости. Недавние прорывы в носимой робототехнике значительно снизили расход энергии при ходьбе человека с использованием активных автономных устройств [1–10]. В частности, достижения в активных устройствах обеспечивают гибкость регулирования вспомогательных параметров управления, связанных с синхронизацией, магнитудой или подаваемой мощностью. Исследования показали, что стратегии управления могут значительно влиять на производительность экзоскелета, то есть на его КПД, что вызывает вопросы о том, как надежно и эффективно проектировать оптимальные методы управления [2]. Вспомогательные модели и методы управления обычно настраивают вручную на основе средних откликов. Однако физиологические и неврологические различия между людьми могут вызывать различные ответы на идентичный метод, то есть оптимальная стратегия контроля одного участника, одетого в экзоскелет, может плохо работать на другом. Таким образом, хотя общее скелетно-мышечное моделирование может предоставить общие рекомендации по помощи, могут потребоваться интеллектуальные модели для конкретного участника при рассмотрении того, как найти оптимальные параметры системы для индивидуальной помощи. Можно утверждать, что интеллект необходим при решении задач фильтрации и анализа. В настоящей работе сделана попытка использования фильтра Калмана первого порядка для фильтрации биологических сигналов и свёрточной нейросети на микроконтроллере stm32 для адаптивного управления электроприводом экзоскелета [3–5]. Конечной целью является использование интеллектуального управления для точного вращения привода экзоскелета относительно скорости вращения сустава человека.
В первую очередь при решении данной задачи требовалось собрать данные акселерометра с учетом фильтрации различных биологических сигналов по трем координатам — Х, У, Z. С этой целью воспользовались методом адаптивной фильтрации Калмана, после фильтрации использовали модель прогнозирования свёрточной нейронной сети.