特開 2025-4346 歩行訓練システム、制御方法、及び制御プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2025004346

(43)【公開日】2025-01-15

(54)【発明の名称】歩行訓練システム、制御方法、及び制御プログラム

(51)【国際特許分類】

   A61H 1/02 20060101AFI20250107BHJP

   G01L 5/00 20060101ALI20250107BHJP

   G06N 3/0464 20230101ALI20250107BHJP

【ＦＩ】

A61H1/02 R

G01L5/00 101Z

G06N3/0464

【審査請求】未請求

【請求項の数】17

【出願形態】ＯＬ

(21)【出願番号】P 2023103970

(22)【出願日】2023-06-26

(71)【出願人】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】100103894

【弁理士】

【氏名又は名称】家入 健

(72)【発明者】

【氏名】松本 大河

【テーマコード（参考）】

2F051

4C046

【Ｆターム（参考）】

2F051AA17

2F051BA07

4C046AA09

4C046AA25

4C046AA42

4C046BB07

4C046BB08

4C046CC01

4C046DD02

4C046DD14

4C046DD21

4C046DD38

4C046DD39

4C046DD41

4C046EE03

4C046EE04

4C046EE05

4C046EE09

4C046EE13

4C046FF03

4C046FF04

4C046FF09

4C046FF12

4C046FF26

4C046FF30

(57)【要約】

【課題】効果的な訓練を行うことが可能な歩行訓練システム、制御方法、及び制御プログラムを提供すること。
【解決手段】本実施の形態にかかる歩行訓練システム１は、ユーザから加わる荷重の分布を検出するため、２次元アレイ状に配列された複数のセンサを有する荷重分布センサと、前記センサのセンサ出力に基づく２次元データを入力として、畳み込み演算処理を行うＣＮＮを有し、前記ユーザから受ける荷重値を推定する推論器と、を備えている。
【選択図】図６

【特許請求の範囲】

【請求項1】

ユーザから加わる荷重の分布を検出するため、２次元アレイ状に配列された複数のセンサを有する荷重分布センサと、
前記センサのセンサ出力に基づく２次元データを入力として、畳み込み演算処理を行うＣＮＮを有し、前記ユーザから受ける荷重値を推定する推論器と、を備えた歩行訓練システム。

【請求項2】

前記ユーザの脚部に装着されたロボット脚と、
前記荷重値に基づいて前記ロボット脚を駆動する駆動部と、をさらに備えている請求項１に記載の歩行訓練システム。

【請求項3】

ユーザが着地するベルトを有するトレッドミルをさらに備え、
前記センサが前記ベルトを介して加わる荷重を検出する請求項１、又は２に記載の歩行訓練システム。

【請求項4】

前記推論器が前記ベルトの移動速度を入力とする機械学習モデルである請求項３に記載の歩行訓練システム。

【請求項5】

前記２次元データを生成するために、前記荷重分布センサに含まれる全センサからのセンサ出力をトリミングする請求項１、又は２に記載の歩行訓練システム。

【請求項6】

前記センサ出力を圧力値に変換する圧力変換部をさらに備え、
前記推論器が前記圧力値で構成された２次元データを入力としている請求項１、又は２に記載の歩行訓練システム。

【請求項7】

靴のソールに設けられたインソールセンサのロードセルで検出された荷重値を教師データとする教師有り機械学習で前記推論器が構築されている請求項１、又は２に記載の歩行訓練システム。

【請求項8】

前記荷重分布センサが粘弾性シートを備え、
前記粘弾性シートの変形量に応じて荷重を検出する請求項１、又は２に記載の歩行訓練システム。

【請求項9】

ユーザから加わる荷重の分布を検出するために設けられ、２次元アレイ状に配列された複数のセンサを有する荷重分布センサからのセンサ出力を取得し、
畳み込み演算処理を行うＣＮＮを有する推論器に前記センサ出力に基づく２次元データを入力して、前記ユーザから受ける荷重値を推定する歩行訓練システムの制御方法。

【請求項10】

前記歩行訓練システムは、前記ユーザの脚部に装着されたロボット脚を備え、
前記荷重値に基づいて前記ロボット脚を駆動する請求項９に記載の歩行訓練システムの制御方法。

【請求項11】

前記歩行訓練システムは、ユーザが着地するベルトを有するトレッドミルをさらに備え、
前記センサが前記ベルトを介して加わる荷重を検出する請求項９、又は１０に記載の歩行訓練システムの制御方法。

【請求項12】

前記推論器が前記ベルトの移動速度を入力とする機械学習モデルである請求項１１に記載の歩行訓練システムの制御方法。

【請求項13】

前記２次元データを生成するために、前記荷重分布センサに含まれる全センサからのセンサ出力をトリミングする請求項９、又は１０に記載の歩行訓練システムの制御方法。

【請求項14】

前記センサ出力を圧力値に変換し、
前記推論器が前記圧力値で構成された２次元データを入力としている請求項９、又は１０に記載の歩行訓練システムの制御方法。

【請求項15】

靴のソールに設けられたインソールセンサのロードセルで検出された荷重値を教師データとする教師有り機械学習で前記推論器が構築されている請求項９、又は１０に記載の歩行訓練システムの制御方法。

【請求項16】

前記荷重分布センサが粘弾性シートを備え、
前記粘弾性シートの変形量に応じて荷重を検出する請求項９、又は１０に記載の歩行訓練システムの制御方法。

【請求項17】

歩行訓練システムを制御する制御方法をコンピュータに実行させるための制御プログラムであって、
前記制御方法は、
ユーザから加わる荷重の分布を検出するために設けられ、２次元アレイ状に配列された複数のセンサを有する荷重分布センサからのセンサ出力を取得し、
畳み込み演算処理を行うＣＮＮを有する推論器に前記センサ出力に基づく２次元データを入力して、前記ユーザから受ける荷重値を推定する、制御プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、歩行訓練システム、制御方法、及び制御プログラムに関する。

【背景技術】

【0002】

特許文献１には、圧力分布検出装置が開示されている。この圧力分布検出装置は、複数の駆動コイルと、複数の検出コイルとを備えている。さらに、駆動コイルと検出コイルと間の距離を一定に保つスペーサ手段とを備えている。駆動コイルはクッション材と電磁シールド体が設けられている。検出コイルには、クッション材と電磁結合可変体が設けられている。電磁結合可変体は、シート状の磁性体シートとなっている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００７－２１８８９２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

圧力分布を検出する場合、粘弾性体の変形量（変形応力）により、圧力（荷重）を検出する。粘弾性体をシート状に形成した場合，実際に荷重が加わった箇所の周辺領域についても粘弾性体が変形してしまう。荷重が加わっていない周辺領域にも荷重が検出されるため、高い精度で荷重を検出することが困難である。

【0005】

また、トレッドミルなどを用いた歩行訓練装置では、荷重分布に応じて歩行周期におけるタイミングを推定している。そさいて、歩行周期におけるタイミングに応じて、駆動制御を行っている。したがって、荷重分布を高い精度で検出することで、より適切な駆動制御を行うことができる。

【0006】

本発明は、以上の背景に鑑みなされたものであり、適切に荷重値を算出することができる歩行訓練システム、制御方法、及び制御プログラムを提供することを目的とする。

【課題を解決するための手段】

【0007】

本実施の形態にかかる歩行訓練システムは、ユーザから加わる荷重の分布を検出するため、２次元アレイ状に配列された複数のセンサを有する荷重分布センサと、前記センサのセンサ出力に基づく２次元データを入力として、畳み込み演算処理を行うＣＮＮを有し、前記ユーザから受ける荷重値を推定する推論器と、を備えている。

【0008】

上記の歩行訓練システムは、前記ユーザの脚部に装着されたロボット脚と、前記荷重値に基づいて前記ロボット脚を駆動する駆動部と、をさらに備えていてもよい。

【0009】

上記の歩行訓練システムは、ユーザが着地するベルトを有するトレッドミルをさらに備え、前記センサが前記ベルトを介して加わる荷重を検出するようにしてもよい。

【0010】

上記の歩行訓練システムにおいて、前記推論器が前記ベルトの移動速度を入力とする機械学習モデルであるようにしてもよい。

【0011】

上記の歩行訓練システムは、前記２次元データを生成するために、前記荷重分布センサに含まれる全センサからのセンサ出力をトリミングするようにしてもよい。

【0012】

上記の歩行訓練システムは、前記センサ出力を圧力値に変換する圧力変換部をさらに備え、前記推論器が前記圧力値で構成された２次元データを入力としていてもよい。

【0013】

上記の歩行訓練システムは、靴のソールに設けられたインソールセンサのロードセルで検出された荷重値を教師データとする教師有り機械学習で前記推論器が構築されていてもよい。

【0014】

上記の歩行訓練システムは、前記荷重分布センサが粘弾性シートを備え、前記粘弾性シートの変形量に応じて荷重を検出するようにしてもよい。

【0015】

本実施の形態にかかる歩行訓練システムの制御方法は、ユーザから加わる荷重の分布を検出するために設けられ、２次元アレイ状に配列された複数のセンサを有する荷重分布センサからのセンサ出力を取得し、畳み込み演算処理を行うＣＮＮを有する推論器に前記センサ出力に基づく２次元データを入力して、前記ユーザから受ける荷重値を推定する。

【0016】

上記の歩行訓練システムの制御方法において、前記歩行訓練システムは、前記ユーザの脚部に装着されたロボット脚を備え、前記荷重値に基づいて前記ロボット脚を制御するようにしてもよい。

【0017】

上記の歩行訓練システムの制御方法において、前記歩行訓練システムは、ユーザが着地するベルトを有するトレッドミルをさらに備え、前記センサが前記ベルトを介して加わる荷重を検出するようにしてもよい。

【0018】

上記の歩行訓練システムの制御方法において、前記推論器が前記ベルトの移動速度を入力とする機械学習モデルであってもよい。

【0019】

上記の歩行訓練システムの制御方法において、前記２次元データを生成するために、前記荷重分布センサに含まれる全センサからのセンサ出力をトリミングするようにしてもよい。

【0020】

上記の歩行訓練システムの制御方法において、前記センサ出力を圧力値に変換し、前記推論器が前記圧力値で構成された２次元データを入力としていてもよい。

【0021】

上記の歩行訓練システムの制御方法において、靴のソールに設けられたインソールセンサのロードセルで検出された荷重値を教師データとする教師有り機械学習で前記推論器が構築されていてもよい。

【0022】

上記の歩行訓練システムの制御方法において、前記荷重分布センサが粘弾性シートを備え、前記粘弾性シートの変形量に応じて荷重を検出するようにしてもよい。

【0023】

本実施の形態に係るプログラムは、歩行訓練システムを制御する制御方法をコンピュータに実行させるための制御プログラムであって、前記制御方法は、ユーザから加わる荷重の分布を検出するために設けられ、２次元アレイ状に配列された複数のセンサを有する荷重分布センサからのセンサ出力を取得し、畳み込み演算処理を行うＣＮＮを有する推論器に前記センサ出力に基づく２次元データを入力して、前記ユーザから受ける荷重値を推定する。

【発明の効果】

【0024】

本開示によれば、適切に荷重値を算出することができる歩行訓練システム、制御方法、及び制御プログラムを提供することができる。

【図面の簡単な説明】

【0025】

【図1】歩行訓練システムの概略斜視図である。

【図2】トレッドミルの構成を示す側面断面図である。

【図3】荷重分布センサとベルトの構成を模式的に示す上面図である。

【図4】荷重分布センサにおける粘弾性シートの変形を模式的に示す断面図である。

【図5】センサの出力値を示す２次元マップである。

【図6】システムの制御系の主要構成を示す機能ブロック図である。

【図7】推論器に用いられる学習モデルを説明するための図である。

【図8】インソールセンサであるロードセルの配置を模式的に示す図である。

【図9】通常歩行時の荷重値の時間変化を示すグラフである。

【図10】かかと歩行時の荷重値の時間変化を示すグラフである。

【発明を実施するための形態】

【0026】

以下、発明の実施の形態を通じて本発明を説明するが、特許請求の範囲に係る発明を以下の実施形態に限定するものではない。また、実施形態で説明する構成の全てが課題を解決するための手段として必須であるとは限らない。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

【0027】

（システム構成）
図１は、実施形態にかかるリハビリ支援システムの一構成例を示す全体概念図である。本実施形態にかかるリハビリ支援システム（歩行訓練システム１）は、主に、歩行訓練装置１００と、脚装具１２０によって構成される。

【0028】

歩行訓練装置１００は、訓練者（ユーザ）９００のリハビリ（リハビリテーション）を支援するリハビリ支援装置の一具体例である。歩行訓練装置１００は、一方の脚に麻痺を患う片麻痺患者である訓練者９００が、訓練スタッフ９０１の指導に従って歩行訓練を行うための装置である。ここで、訓練スタッフ９０１は、療法士（理学療法士）又は医師とすることができ、訓練者の訓練を指導又は介助などにより補助することから、訓練指導者、訓練介助者、訓練補助者などと称することもできる。

【0029】

歩行訓練装置１００は、主に、全体の骨格を成すフレーム１３０に取り付けられた制御盤１３３と、訓練者９００が歩行するトレッドミル１３１と、を備える。さらに、脚装具１２０は、訓練者９００の麻痺側の脚部である患脚に装着される。図１では、脚装具１２０は、訓練者９００の右脚に装着されている。脚装具１２０は、アクチュエータなどを備えたロボット脚である。例えば、脚装具１２０は、訓練者９００の膝関節動作をアシストする関節駆動機構を有している。

【0030】

フレーム１３０は、床面に設置されるトレッドミル１３１上に立設されている。トレッドミル１３１は、不図示のモータによりリング状のベルト１３２を回転させる。トレッドミル１３１は、訓練者９００の歩行を促す装置であり、歩行訓練を行う訓練者９００は、ベルト１３２に乗り、ベルト１３２の移動に合わせて歩行動作を試みる。なお、訓練スタッフ９０１は、例えば図１に示すように訓練者９００の背後のベルト１３２上に立って一緒に歩行動作を行うこともできるが、通常、ベルト１３２を跨いだ状態で立つなど、訓練者９００の介助を行い易い状態に居ることが好ましい。トレッドミル１３１は、後述するように、荷重分布センサを有している。

【0031】

フレーム１３０は、制御盤１３３や、訓練用モニタ１３８を支持している。制御盤１３３は、モータやセンサの制御を行う全体制御部２１０を収容する。訓練用モニタ１３８は、例えば、液晶パネルであり、訓練の進捗状況等を訓練者９００へ提示する。また、フレーム１３０は、訓練者９００の頭上部前方付近で前側引張部１３５を、頭上部付近でハーネス引張部１１２を、頭上部後方付近で後側引張部１３７を、それぞれ支持している。また、フレーム１３０は、訓練者９００が掴むための手摺り１３０ａを含む。

【0032】

手摺り１３０ａは、訓練者９００の左右両側に配置されている。それぞれの手摺り１３０ａは、訓練者９００の歩行方向と平行な方向に配置されている。手摺り１３０ａは、上下位置、及び左右位置が調整可能となっている。つまり、手摺り１３０ａは、その高さ及び幅を変更する機構を含むことができる。さらに、手摺り１３０ａは、例えば歩行方向の前方側と後方側とで高さを異ならせるように調整することで、その傾斜角度を変更できるように構成することもできる。例えば、手摺り１３０ａは、歩行方向に沿って徐々に高くなるような傾斜角度を付すことができる。

【0033】

また、手摺り１３０ａには、訓練者９００から受ける荷重を検出する手摺りセンサ２１８が設けられている。例えば、手摺りセンサ２１８は、電極がマトリックス状に配置された抵抗変化検出型の荷重検出シートとすることができる。また、手摺りセンサ２１８は、３軸の加速度センサ（ｘ，ｙ，ｚ）と３軸のジャイロセンサ（ｒｏｌｌ，ｐｉｔｃｈ，ｙａｗ）とを複合させた６軸センサとすることもできる。但し、手摺りセンサ２１８の種類や設置位置は問わない。

【0034】

カメラ１４０は、訓練者９００の全身を観察するための撮像部としての機能を担う。カメラ１４０は、訓練用モニタ１３８の近傍に、訓練者と相対するように設置されている。カメラ１４０は、訓練中の訓練者９００の静止画や動画を撮影する。カメラ１４０は、訓練者９００の全身を捉えられる程度の画角となるような、レンズと撮像素子のセットを含む。撮像素子は、例えばＣＭＯＳ（Complementary Metal-Oxide-Semiconductor）イメージセンサであり、結像面に結像した光学像を画像信号に変換する。

【0035】

前側引張部１３５と後側引張部１３７の連携した動作により、脚装具１２０の荷重が患脚の負担とならないように当該荷重を相殺し、更には、設定の程度に応じて患脚の振出し動作をアシストする。

【0036】

前側ワイヤ１３４は、一端が前側引張部１３５の巻取機構に連結されており、他端が脚装具１２０に連結されている。前側引張部１３５の巻取機構は、不図示のモータをオン／オフさせることにより、患脚の動きに応じて前側ワイヤ１３４を巻き取ったり繰り出したりする。同様に、後側ワイヤ１３６は、一端が後側引張部１３７の巻取機構に連結されており、他端が脚装具１２０に連結されている。後側引張部１３７の巻取機構は、不図示のモータをオン／オフさせることにより、患脚の動きに応じて後側ワイヤ１３６を巻き取ったり繰り出したりする。このような前側引張部１３５と後側引張部１３７の連携した動作により、脚装具１２０の荷重が患脚の負担とならないように当該荷重を相殺し、更には、設定の程度に応じて患脚の振出し動作をアシストする。

【0037】

前側ワイヤ１３４、及び前側引張部１３５は訓練者９００の脚を上方かつ前方に引張する第１引張手段となる。後側ワイヤ１３６、及び後側引張部１３７は訓練者９００の脚を上方かつ後方に引張する第２引張手段となる。前側引張部１３５、及び後側引張部１３７は後述するように歩行フェーズに応じた引張力で、前側ワイヤ１３４と後側ワイヤ１３６を引っ張る。また、歩行フェーズに応じて、引張力の動作パターンが設定されていてもよい。

【0038】

例えば、訓練スタッフ９０１は、オペレータとして、重度の麻痺を抱える訓練者に対しては、アシストするレベルを大きく設定する。アシストするレベルが大きく設定されると、前側引張部１３５は、患脚の振出しタイミングに合わせて、比較的大きな力で前側ワイヤ１３４を巻き取る。訓練が進み、アシストが必要でなくなったら、訓練スタッフ９０１は、アシストするレベルを最小に設定する。アシストするレベルが最小に設定されると、前側引張部１３５は、患脚の振出しタイミングに合わせて、脚装具１２０の自重をキャンセルするだけの力で前側ワイヤ１３４を巻き取る。

【0039】

歩行訓練装置１００は、装具１１０、ハーネスワイヤ１１１、及びハーネス引張部１１２を主な構成要素とする、安全装置としての転倒防止ハーネス装置を備える。装具１１０は、訓練者９００の腹部に巻き付けられるベルトであり、例えば面ファスナによって腰部に固定される。装具１１０は、吊具であるハーネスワイヤ１１１の一端を連結する連結フック１１０ａを備え、ハンガーベルトと称することもできる。訓練者９００は、連結フック１１０ａが後背部に位置するように、装具１１０を装着する。

【0040】

ハーネスワイヤ１１１は、一端が装具１１０の連結フック１１０ａに連結されており、他端がハーネス引張部１１２の巻取機構に連結されている。ハーネス引張部１１２の巻取機構は、不図示のモータをオン／オフさせることにより、ハーネスワイヤ１１１を巻き取ったり繰り出したりする。このような構成により、転倒防止ハーネス装置は、訓練者９００が転倒しそうになった場合に、その動きを検知した全体制御部２１０の指示に従ってハーネスワイヤ１１１を巻き取り、装具１１０により訓練者９００の上体を支えて、訓練者９００の転倒を防ぐ。

【0041】

装具１１０は、訓練者９００の姿勢を検出するための姿勢センサ２１７を備える。姿勢センサ２１７は、例えばジャイロセンサと加速度センサを組み合わせたものであり、装具１１０が装着された腹部の重力方向に対する傾斜角を出力する。

【0042】

管理用モニタ１３９は、フレーム１３０に取り付けられており、主に訓練スタッフ９０１が監視及び操作するための表示入力装置である。管理用モニタ１３９は、例えば液晶パネルであり、その表面にはタッチパネルが設けられている。管理用モニタ１３９は、訓練設定に関する各種メニュー項目や、訓練時における各種パラメータ値、訓練結果などを表示する。また、管理用モニタ１３９の近傍には、非常停止ボタン２３２が設けられている。訓練スタッフ９０１が非常停止ボタン２３２を押すことで、歩行訓練装置１００が非常停止する。

【0043】

全体制御部２１０は、訓練設定に関する設定パラメータ、訓練結果として脚装具１２０から出力された運脚に関する各種データなどを含みうるリハビリデータを生成する。このリハビリデータには、訓練スタッフ９０１又はその経験年数や熟練度等を示すデータ、訓練者９００の症状、歩行能力、回復度等を示すデータ、脚装具１２０の外部に設けられたセンサ等から出力された各種データなどを含むことができる。

【0044】

全体制御部２１０の少なくとも一部の制御は、コンピュータプログラムによって実行されてもよい。例えば、全体制御部２１０は、プログラムを格納するメモリと、プログラムを実行するプロセッサなどを備えている。

【0045】

全体制御部２１０は、荷重分布センサでの検出結果に基づいて、モータなどのアクチュエータを制御することができる。例えば、全体制御部２１０は、荷重分布センサで検出された荷重の変化に基づいて、歩行サイクルのフェーズ（タイミング）を判定する。全体制御部２１０は、判定結果に基づいて、アクチュエータを制御するための制御信号を生成する。脚装具１２０の関節駆動機構が制御信号に基づいて、膝関節のアシスト動作を行う。このようにすることで、適切なアシスト動作を行うことができるため、効果的な訓練が可能となる。また、全体制御部２１０は、歩行サイクルのフェーズに応じて，前側引張部１３５と後側引張部１３７とを制御してもよい。荷重分布センサの検出結果に基づく，制御については、後述する。

【0046】

次に、図２、図３を用いて、トレッドミル１３１に設けられた荷重分布センサの構成について説明する。図２はトレッドミル１３１と荷重分布センサ１５２の構成を示す側面断面図である。図３は、トレッドミル１３１における荷重分布センサ１５２の配置を模式的に示す上面図である。

【0047】

トレッドミル１３１は、リング状のベルト（移動板）１３２、プーリー１５３、及び、図示しないモータを少なくとも備える。ベルト１３２は無端ベルトであり、側面視において、リング状に形成されている。リング状のベルト１３２の内側には、２つのプーリー１５３が配置されている。２つのプーリー１５３が前後方向に離れて配置されている。プーリー１５３の回転軸は左右方向と平行になっている。したがって、モータがプーリー１５３を回転させると、ベルト１３２が前後方向に駆動する。訓練者９００又は訓練スタッフ９０１が移動速度を設定すると、ベルト１３２が移動速度で移動するように、モータがプーリー１５３を回転させる。

【0048】

また、リング状のベルト１３２の内側（訓練者９００が搭乗する面のベルト１３２の下側）には、ベルト１３２に連動しないように荷重分布センサ１５２が配置されている。荷重分布センサ１５２は無端ベルトのリングの内側に配置される。荷重分布センサ１５２は、複数のセンサ１５５によって構成されている。複数のセンサ１５５は、歩行訓練中の訓練者９００の足裏を支持するベルト１３２の下側にマトリックス状に配置されている。荷重分布センサ１５２は、複数のセンサ１５５を用いることにより、ベルト１３２に搭乗する訓練者９００の足ＦＴから受ける面圧の分布（荷重分布）を検出することができる。

【0049】

図３に示すように、荷重分布センサ１５２は、マトリックス状に配置された複数のセンサ１５５を有している。荷重分布センサ１５２は、水平面に平行なシート形状を有している。センサ１５５は、電磁誘導方式、電気抵抗式、静電容量式、又はロードセル式などのものを用いることができる。もちろん、センサ１５５のタイプは特に限定されるものではない。

【0050】

例えば、荷重分布センサ１５２は左右方向にｍ（ｍは２以上の整数）個、前後方向にｎ（ｎは２以上の整数）個のセンサ１５５が配置されているとする。図３において、左前方の角にあるセンサ１５５のＸＹ座標を（１，１）とし、左後方の角にあるセンサ１５５のＸＹ座標を（１，ｎ）とする。右前方の角にあるセンサ１５５のＸＹ座標を（ｍ，１）とし、右後方の角にあるセンサ１５５のＸＹ座標を（ｍ，ｎ）とする。各センサ１５５は同じ大きさを有している。このように、センサ１５５毎にＸＹアドレス（ＸＹ座標）が割り当てられている。

【0051】

複数のセンサ１５５は前後方向及び左右方向に等間隔に配置されている。したがって、荷重分布センサ１５２のセンシング領域は、矩形状になっている。よって、荷重分布センサ１５２からの出力は、ｍ×ｎ個の２次元マップデータとなる。

【0052】

１つのセンサ１５５をセルともいう。そして、荷重分布センサ１５２はセル毎に圧力（荷重）を検出する。荷重分布センサ１５２は、複数のセンサ１５５の出力を順次読み出していくことで、訓練者９００から受ける荷重分布を検出する。それぞれのセンサ１５５は、足ＦＴからベルト１３２を介して受ける圧力の２次元分布を検出する。ｍ×ｎ個の２次元データを１フレームのデータともいう。

【0053】

全体制御部２１０は、荷重分布センサ１５２の検出結果に基づいて、足ＦＴからの荷重値を推定する。ここでの荷重値は、足ＦＴの全体から受ける総荷重を示す。例えば、変換マップを用いて複数のセンサ１５５で検出された出力値を圧力に変換することができる。そして，圧力を積分することで荷重値に変換することができる。全体制御部２１０は、荷重値に基づいて、歩行フェーズに関する判定を行う。全体制御部２１０は、例えば、立脚から遊脚に移行するタイミングと判定する。

【0054】

荷重分布センサ１５２は、シート状のセンサであり、粘弾性体を有している。例えば、図４に示すように、荷重分布センサ１５２は基板１５１１と、粘弾性シート１５１２と導電シート１５１３とを有している。なお、図４は、荷重分布センサ１５２の断面構成を模式的に示す側面断面図である。ここでは、荷重分布センサ１５２は電磁誘導方式のセンサであるとして説明する。また、図４ではトレッドミル１３１，及びベルト１３２などを省略している。

【0055】

荷重分布センサ１５２は基板１５１１と、粘弾性シート１５１２と導電シート１５１３とを備えている。下面側から、基板１５１１と、粘弾性シート１５１２と導電シート１５１３の順で配置されている。荷重分布センサ１５２の導電シート１５１３と基板１５１１との間に、粘弾性シート１５１２が設けられている。粘弾性シート１５１２は、例えば、発泡ウレタンなどの樹脂材料で形成されている。上下方向が、粘弾性シート１５１２の厚さ方向となっている。

【0056】

基板１５１１は、複数のコイルを有するコイルパターンを有している。コイルパターンはセル毎に設けられたコイルを有している。基板１５１１では、複数のコイルがアレイ状に配列されている。導電シート１５１３は、例えば、アルミシートで有り、複数のコイルを覆うように、荷重分布センサ１５２の全体に渡って形成されている。荷重に応じて、導電シート１５１３と基板１５１１との距離が変化する。つまり、荷重が大きいほど、粘弾性シート１５１２が押し潰されて、薄くなる。粘弾性シート１５１２が変形すると、基板１５１１の電気的特性が変化する。

【0057】

荷重分布センサ１５２は、電磁誘導などの電気的特性をセル毎に測定することで、変形量を求めることができる。荷重分布センサ１５２は、厚さ方向における粘弾性シート１５１２の変形量を荷重に変換する。セル毎に変形量を荷重に変換することができる。このように、粘弾性シート１５１２の変形量に応じて電気的特性が変化するため、各センサ１５５が荷重を検出することができる。もちろん、荷重分布センサ１５２として、電磁誘導方式に限らず、容量方式、電気抵抗方式などの荷重分布センサを用いても良い。

【0058】

以下、粘弾性シート１５１２において、実際に荷重が印加されている領域を印加領域Ａ３とする。印加領域Ａ３は、真上に足ＦＴが載っている領域である。印加領域Ａ３は足のＦＴのサイズに対応する。印加領域Ａ３の周辺にある領域を周辺領域Ａ２とする。周辺領域Ａ２の外側の領域を外側領域Ａ１とする。外側領域Ａ１は粘弾性シート１５１２が変形していない領域である。印加領域Ａ３、外側領域Ａ１、周辺領域Ａ２のそれぞれは、それぞれ複数のセンサ１５５を含んでいる。

【0059】

印加領域Ａ３に荷重が印加されると、周辺領域Ａ２についても、粘弾性シート１５１２が変形する。つまり、周辺領域Ａ２では、外側領域Ａ１よりも基板１５１１と導電シート１５１３との距離が小さくなる。周辺領域Ａ２では、荷重を受けていないが、粘弾性シート１５１２が変形してしまう。このように、実際の荷重を受けている印加領域Ａ３の周辺領域Ａ２についても、荷重が検出されてしまう（以下、巻き込み現象とも言う）。さらに、周辺領域Ａ２では、印加領域Ａ３に近いほど、変形量が大きくなる。

【0060】

図５は、センサ１５５のセンサ出力の値を模式的に示すマップである。図５では、各センサ１５５のセンサ出力を数値で示している。つまり、変形量が大きいほど，センサ出力の値が大きくなる。センサ１５５の出力値は、Ａ／Ｄ（Ａｎａｌｏｇ ｔｏ Ｄｉｇｉｔａｌ）コンバータなどによって、例えば、８ビットや１６ビットのデジタル値に変換されている。

【0061】

粘弾性シート１５１２が変形していない外側領域Ａ１では、出力が０となる。印加領域Ａ３では荷重に応じて、センサ出力の値が変化する。周辺領域Ａ２では、隣接する印加領域Ａ３の荷重に応じて、センサ出力の値が変化する。

【0062】

このように、実際の足ＦＴの接地サイズよりも広い領域で、センサ１５５が圧力を検出する。実際に足ＦＴの直下にあるセルの数よりも多い数のセルで粘弾性シート１５１２が変形して、圧力（荷重）を検出する。換言すると、各センサ１５５の出力値のみでは、押し潰されているセルと押し潰されていないセルを区別することができない。

【0063】

したがって、荷重値を精度よく検出できないおそれがある。荷重値の検出精度が低い場合、脚装具１２０の駆動タイミングが歩行周期のタイミングからずれてしまうおそれがある。そこで、本実施の形態では、荷重値を高い精度で推定するため、以下に示す処理を行っている。以下，本実施の形態にかかる処理について説明する。

【0064】

図６は、本実施形態にかかる制御を説明するための機能ブロック部である。全体制御部２１０は、センサ出力取得部１７１と、推論器１７２と、判定部１７５と、駆動制御部１７６とを備えている。関節駆動部２２１は、脚装具１２０に設けられている。具体的には、関節駆動部２２１は、訓練者９００の膝関節動作をアシストするためのモータや回転機構を備えている。

【0065】

トレッドミル駆動部１３１ａはトレッドミル１３１を駆動する。トレッドミル駆動部１３１ａは、プーリー１５３を回転させるためのモータ等を有している。訓練スタッフ９０１等によって設定された移動速度でベルト１３２が移動するように、トレッドミル１３１が動作する。

【0066】

トレッドミル１３１には、荷重分布センサ１５２が設けられている。荷重分布センサ１５２は、全体制御部２１０に検出結果を示す検出信号（センサ出力）を出力する。センサ出力はデジタルデータでもよく、アナログデータでもよい。つまり、荷重分布センサ１５２はアナログの検出信号をデジタルデータに変換するＡ／Ｄコンバータを有していてもよい。あるいは、センサ出力取得部１７１がＡ／Ｄコンバータを有していてもよい。

【0067】

センサ出力は、図５に示したように、セル毎の出力値を含んでいる。センサ出力取得部１７１は、荷重分布センサ１５２からのセンサ出力をセル毎に取得する。つまり、センサ出力を示すデータには、セルのアドレスと、出力値が対応付けられている。センサ出力取得部１７１は、荷重分布センサ１５２の読み出し順にセンサ出力のデータを取得してもよい。全セルからのセンサ出力が１フレームのデータとなる。荷重分布センサ１５２は、１ライン毎、又は１セル毎に、データを読み出す。

【0068】

推論器１７２は、センサ出力に基づいて荷重値を推論する。推論器１７２は、機械学習で生成された学習モデル１７８を用いて、荷重値を推論する。学習モデル１７８は、アレイ状に配列されたセルのそれぞれの出力値を入力としている。具体的には，推論器１７２は、図５に示すような２次元データを学習モデル１７８に入力する。推論器１７２は、足ＦＴから受ける荷重を示す荷重値１７３を算出し、判定部１７５に出力する。

【0069】

判定部１７５は、推定された荷重値１７３に基づいて、歩行周期のフェーズに関する判定を行う。判定部１７５は、荷重値１７３を、予め設定されたしきい値と比較する。そして、全体制御部２１０は、荷重値１７３がしきい値を下回るタイミングを立脚から遊脚に移行する切替タイミングと判定する。判定部１７５は、患脚の抜重タイミングを検出するために、判定を行う。

【0070】

駆動制御部１７６は、判定部１７５での判定結果に応じて、関節駆動部２２１を制御する。例えば、駆動制御部１７６は、切替タイミングで関節駆動部２２１が動作するように、制御信号を関節駆動部２２１に出力する。そして、関節駆動部２２１のアクチュエータが、制御信号に応じて動作する。関節駆動部２２１は、切替タイミング、つまり、患脚の抜重タイミングで膝関節を屈曲させることができる。

【0071】

このようにすることで、関節駆動部２２１が、歩行フェーズに合わせてアシスト力を与えることができる。よって、訓練者９００が効果的な歩行訓練を行うことができる。なお、判定結果に応じて制御される制御対象は、関節駆動部２２１に限定されるものではない。例えば、前側ワイヤ１３４と後側ワイヤ１３６の引張力が歩行フェーズに合わせて動作するように、駆動制御部１７６が前側引張部１３５及び後側引張部１３７を制御してもよい。これにより、前側引張部１３５及び後側引張部１３７が抜重タイミングで前方への振出しアシストを行うことができる。

【0072】

以下、推論器１７２が利用する学習モデル１７８について説明する。図７は、学習モデル１７８の一例を説明するための概念図である。学習モデル１７８は機械学習で生成された推論モデルである。

【0073】

学習モデル１７８は、複数のレイヤを有するＤＬ（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）モデルである。上記のように、学習モデル１７８の入力データは、２次元データとなる。したがって、入力データは２次元のグレースケール画像で示されている。

【0074】

学習モデル１７８は２次元データに対して畳み込み処理を行う畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を備えている。ＣＮＮは、畳み込み層やプーリング層などを備えている。ＣＮＮの後段には、全結合層を含む全結合ネットワーク（ＦＣＮ：Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｎｅｔｗｏｒｋｓ）が設けられている。もちろん、学習モデル１７８は、他のネットワークを用いてもよい、

【0075】

ＣＮＮは、各セルの圧力値を含む２次元データに対して畳み込み処理を行う。畳み込みニューラルネットワークＣＮＮでは、二次元カーネルという重みを持っているため、隣接するセル同士を考慮した重み付け処理が可能となる。畳み込みニューラルネットワークでは二次元データに応じた特徴量が抽出される。これにより、荷重値１７３の推定精度を向上することができる。そして、ＣＮＮの重み等を機械学習により算出することができる。

【0076】

このように、荷重分布センサ１５２は、２次元アレイ状に配列された複数のセンサ１５５を有しており、訓練者９００から加わる荷重分布を検出する。推論器１７２はセンサ１５５のセンサ出力に基づく２次元データを入力としている。推論器１７２は、畳み込み演算処理を行うＣＮＮを有し、ユーザから受ける荷重値を推定する。各センサ１５５の出力値は、多ビットのデータとなるため、推論器１７２の入力データが画像データと同様の２次元データとなる。換言すると、センサ出力は、１つのセンサ１５５の出力が１画素の画素データとなる画像データと同様になる。画像識別等の処理と同様に、ＣＮＮが畳み込み処理を行うことができる。画像処理用のＣＮＮを用いることができるため、汎用性を向上することができる。

【0077】

これにより、推論器１７２が、高い精度で荷重値を求めることができる。推論器１７２が、実際に押し潰されている印加領域Ａ３と、巻き込み現状により変形している周辺領域Ａ２を区別して処理する必要がなくなる。よって、歩行フェーズを適切に分析することができ、効果的な訓練が可能となる。

【0078】

本実施の形態では、荷重分布センサ１５２がベルト１３２の下側に配置されている。センサ１５５がベルト１３２を介して加わる荷重（圧力）を検出している。このような場合であっても、推論器１７２は、精度よく荷重値を推定することができる。つまり、ＣＮＮの重み等の各パラメータが、ベルト１３２が移動する場合を想定して学習されている。つまり、ベルト１３２が移動している状態で、重み付けのパラメータが最適化されている。これにより、荷重値１７３の推定精度を向上することができる。ＣＮＮを有する機械学習モデルを推論器１７２として用いることで、より高い推定精度で荷重値を算出することができる。よって、全体制御部２１０が歩行フェーズを適切に分析することができ、訓練者９００が効果的な訓練を行うことができる。

【0079】

さらに、推論器１７２で推定された荷重値に基づいて、駆動制御部１７６がロボット脚である脚装具１２０を制御する。例えば、駆動制御部１７６は膝関節などの関節駆動部２２１を制御するための制御信号を出力する。駆動制御部１７６は、脚装具１２０を歩行フェーズに合わせて、駆動させることができる。脚装具１２０が、適切なアシスト力で歩行動作をアシストことができるため、訓練者９００が効果的な訓練を行うことができる。

【0080】

ベルト１３２の移動速度によって、巻き込み現象の度合いが変化することがある。したがって、ベルト１３２の移動速度を推論器１７２に入力としてもよい。つまり、２次元データと移動速度が学習モデル１７８の入力データとなる。例えば、ベルト１３２の移動速度に応じて、学習モデル１７８が異なるパラメータを用いてもよい。具体的には、活性化関数、フィルタ、重み等を切り替えるようにしてもよい。あるいは、推論器１７２は、高速用の学習モデル１７８と、低速用の学習モデル１７８とを切り替えて使用することができる。学習モデル１７８を機械学習により生成する際において、学習器が、ベルト１３２の移動速度毎に、機械学習を行えばよい。換言すると、学習装置は、移動速度のデータをセンサ出力の２次元データと対応付けて学習データとして用いる。

【0081】

センサ出力取得部１７１は、荷重分布センサ１５２に含まれる全センサ１５５からのセンサ出力をトリミングしてもよい。そして、センサ出力取得部１７１は、トリミングされた２次元データを推論器１７２に入力してもよい。例えば、センサ出力取得部１７１には、予めトリミングサイズが設定されていてもよい。ここで、トリミングサイズを（ｋ×ｌ）個の矩形領域とすることができる。ｋは１より大きくｍ未満であり、ｌは１より大きくｎ未満である。センサ出力取得部１７１は、荷重分布センサ１５２の荷重分布の重心を中心として、ｋ×ｌの２次元データを切り出す。つまり、センサ出力が（ｋ×ｌ）個の２次元マップデータとなる。このようにすることで、データ処理量を削減することができるため、処理を高速がすることができる。推論器１７２がフレーム毎に荷重値を算出することができる。

【0082】

センサ出力取得部１７１はセンサ出力を圧力値に変換する圧力変換部として機能してもよい。この場合、推論器１７２が、圧力値で構成された２次元マップデータを入力データと用いる。具体的には、荷重分布センサ１５２は、各センサ１５５からの出力される出力値（電圧値）をデジタルデータにＡ／Ｄ変換する。そして、センサ出力取得部１７１が変換式や変換テーブルを用いて、デジタルデータであるセンサ出力を圧力値に変換する。荷重分布センサ１５２が、電気的特性の測定値を、圧力値に変換する変換式や変換テーブルを有している。

【0083】

変換テーブルや変換式は、線形の変換結果を示してもよく、線形以外の変換結果を示してもよい。例えば、変換式は二次以上の多項式となっていてもよい。センサ出力値を圧力値に変換する変換式や変換テーブルは、センサ１５５毎に異なっていてもよく、複数のセンサ１５５で共通であってもよい。例えば、センサ出力取得部１７１は、センサ１５５毎に校正された変換式を用いることができる。これにより、推定精度を向上することができる。

【0084】

さらに、学習モデル１７８を生成するための機械学習として、教師データ有りの教師有り機械学習や半教師有り機械学習を用いることができる。このとき、教師データ（正解ラベル）として、靴のソールに設けられたインソールセンサのロードセルで検出された荷重値を用いることができる。

【0085】

例えば、図８に示すように、靴ＳＨのソールにロードセル１８０を配置した状態で、訓練者９００が靴ＳＨを履く。これにより、足ＦＴと靴ＳＨとの間にロードセル１８０が配置される。ロードセル１８０は足ＦＴの裏に配置される。ロードセル１８０はインソールタイプの荷重センサや荷重分布センサである。ロードセル１８０が足ＦＴから受ける荷重を直接検出することができる。つまり、ロードセル１８０で検出された荷重値を教師データとする教師有り機械学習で推論器１７２が構築される。これにより、より推定精度の高い学習モデルを構築することができる。

【0086】

図９、図１０は、インソールセンサであるロードセル１８０での測定結果と、推論器１７２の推論結果を示すグラフである。図９，図１０では、ロードセル１８０での測定値をソール荷重として示している。図９では、通常歩行での推論結果と測定値が示されている。図１０では、かかと歩行での推論結果と測定値が示されている。また、図９，図１０は１歩分における荷重値の変化を示すグラフである。

【0087】

図９，図１０において、横軸がフレーム数、すなわち、時間を示している。縦軸が荷重値［Ｎ］の推測値と実測値である。推論器１７２による推論値が、ロードセル１８０での実測値に近くなっている。推論器１７２を用いることで、精度よく荷重値を推定することができるため、訓練者９００が効果的な訓練を行うことができる。

【0088】

なお、全体制御部２１０は、物理的に単一な装置に限られるものない。つまり、センサ出力取得部１７１、推論器１７２，判定部１７５、学習モデル１７８、駆動制御部１７６とは複数の装置に分散して配置されていても良い。この場合、ネットワークを介して、データが装置間で送受信されていればよい。例えば、学習モデル１７８は、複数の歩行訓練装置１００が利用できるように、サーバなどに搭載されていてもよい。

【0089】

また、上述した制御方法の一部又は全部はコンピュータプログラムによって実現できる。プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体は、例えば、磁気記録媒体、光磁気記録媒体、ＣＤ－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリを含む。磁気記録媒体は、例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブなどである。光磁気記録媒体は、例えば光磁気ディスクなどである。半導体メモリは、例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などである。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

【符号の説明】

【0090】

１ 歩行訓練システム
１００ 歩行訓練装置
１２０ 脚装具
１３１ トレッドミル
１３２ ベルト
１５２ 荷重分布センサ
１５３ プーリー
１５５ センサ
１７１ センサ出力取得部
１７２ 推論器
１７３ 荷重値
１７５ 判定部
１７６ 駆動制御部
１７８ 学習モデル
２１０ 全体制御部
２２１ 関節駆動部
９００ 訓練者

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】