Développement d'une interface de contrôle homme-machine pour la détection d'intentions dans un exosquelette de jambes autoéquilibré

Developing a Human-Machine Control Interface for the Detection of Motion Intentions in a Self-Balanced Lower-Limb Exoskeleton

• Auteur / Autrice : Omar Mounir Alaoui
• Direction : Guillaume Morel
• Type : Thèse de doctorat
• Discipline(s) : Robotique médicale
• Date : Soutenance le 22/11/2021
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques, acoustique, électronique et robotique de Paris (2000-....)
• Partenaire(s) de recherche : Laboratoire : Institut des systèmes intelligents et de robotique (Paris ; 2009-....)
• Jury : Président / Présidente : Catherine Achard
• Jury : Examinateurs / Examinatrices : Vesna Novak, Nathanaël Jarrassé, Fabien Expert
• Jury : Rapporteurs / Rapporteuses : Hélène Pillet, Samer Mohammed

Mots clés

Mots clés contrôlés

Reconnaissance gestuelle

Reconnaissance de l'activité humaine (informatique)

Exosquelettes motorisés

Systèmes homme-machine

Mots clés libres

Robotique Wearable

Détection d'Intentions

Exosquelettes d'assistance

Interface de Contrôle Haut Niveau

Architecture de Classification

Capteurs inertiels

Wearable robotics

Intention detection

Assistive exoskeletons

High Level Control Interface

Classification architecture

Inertial sensors

Résumé

Des avancées technologiques récentes dans les domaines liés à la robotiques ont permis le développement de dispositifs exosquelettes pour l’augmentation des capacités physiques humaines, ou l’assistance aux gestes. En particulier, dans le cas de handicaps moteurs, des exosquelettes d’assistance pour les jambes peuvent être utilisés comme une alternative aux fauteuils roulants, ou pour la rééducation des membres inférieurs. Mais dans ces appareils, les interfaces permettant la détection des intentions sont souvent basées sur des solutions qui ne permettent pas un contrôle intuitif des dispositifs, monopolisent l’usage des mains, et entraînent des transitions d’états non fluides. Dans ce contexte, ce travail s’appuie sur des solutions naturelles et intuitives basées sur les mouvements du haut du corps, afin de détecter de manière robuste et efficace les intentions de mouvement dans un exosquelette d’assistance à la marche. Il se focalise notamment sur des intentions relatives à la marche – l’initiation, l’arrêt, et les virages – et évalue l’implémentation de contrôleurs haut-niveau basés sur les signaux de centrales inertielles portées au niveau du haut du corps. Ces signaux peuvent être analysés de sorte à ce que des caractéristiques descriptives des mouvements puissent en être extraites, puis utilisées en entrée de diverses architectures de classification – selon des approches d’apprentissage supervisé, ou au travers de comparaisons avec des seuils définis empiriquement. Les algorithmes développés ont été testés expérimentalement, et les résultats indiquent qu’ils permettent de détecter efficacement les intentions dans un exosquelette de jambes à usage médical.

In the recent years, advancements in robotics-related fields accompanied the development of exoskeletal devices that enhance the physical capabilities of the wearer, or assist impaired individuals in performing specific body movements. In particular, assistive lower-limb exoskeletons can be proposed to impaired people as a possible alternative to wheelchairs, or as rehabilitation medical devices. However, the intention detection interfaces are often based on basic solutions that lack intuitiveness, partly monopolize the use of hands, or prevent seamless transitions between the available activity modes. In this context, this doctoral work investigates natural and intuitive movement- based solutions to robustly detect motion intentions in a marketed assistive lower-limb exoskeleton. It focuses on walking-related intentions – namely gait initiation, gait termination, and steering – and evaluates novel implementations of high-level controllers based on acceleration and angular velocity signals recorded from upper-body-worn Inertial Measurement Units. Signals from these sensors can be analyzed, so that descriptive features of the exhibited movements are extracted, and serve as inputs to a classification architecture: they can either be compared to training data in a supervised learning approach, or to empirically derived thresholds. Experimental results of these algorithms indicate that the developed methods could be a viable alternative for intention detection in medical lower-limb exoskeletons, and could greatly enhance their usability.