基于GAN的多维时间序列人体步态数据增强

摘要

典型的外骨骼机器人控制策略通常需要大量的人体步态数据来计算控制器的参考输入;步态预测或分类任务也需要大量的步态数据用于模型训练.数据增强技术可以合成与真实数据分布相似又保持原始数据动态特性的人工数据,从而降低人工收集步态数据的成本,有助于提高控制器的精度或模型的泛化能力.本研究以健康受试者在光学运动捕捉平台采集的原始步态数据为基础,通过建立多维和一维生成对抗网络模型学习真实数据的潜在分布从而生成相似分布的合成数据以达到一倍至数十倍增强真实数据的效果.对增强后的数据采用T-SNE可视化、JS散度和MAE度量两种数据的相似度,相比于一维时间序列GAN模型,多维时间序列GAN模型无论是从数据分布相似还是统计相似上精度都更高.