ABSTRACT
This paper introduces a real-time gait phase detection system and algorithm utilizing non-contact distance sensing, specifically designed for wearable robotic applications. Two Time-of-Flight (ToF) sensors are positioned on the outer heel and the fifth metatarsophalangeal (MTP) joint to monitor foot-to-ground distance throughout the gait cycle. These sensors are housed in overshoe-type modules to minimize interference with natural walking and allow for easy attachment to various types of footwear. The proposed method segments gait phases using a lightweight, threshold-based algorithm that is both computationally efficient and physically interpretable. Experimental validation with a healthy subject shows that the system reliably detects stance and swing phases, producing temporal patterns that are comparable to those of conventional pressure-based systems. Importantly, the system provides continuous data even during swing phases, facilitating smoother transitions for control systems. The simplicity and wearability of the hardware indicate its potential for real-time control in lower-limb wearable robots, gait assistance devices, and ambulatory monitoring systems.
-
KEYWORDS: Gait phase detection, Time-of-flight sensor, Non-contact sensing, Real-time gait recognition, Wearable robotics, Gait analysis
-
KEYWORDS: 보행 단계 인식, ToF 센서, 비접촉 센싱, 실시간 보행 인식, 웨어러블 로봇, 보행 분석
1. 서론
웨어러블 및 휴머노이드 로봇의 발전에 따라, 보행의 전 주기에 걸쳐 실시간으로 보행 상태를 분석할 수 있는 능력은 인간 보행을 모사하기 위한 보행 분석 기술에 필수적 요소가 되었다. 특히 Seo 등의 연구는 인간의 움직임을 보조하거나 보행의 형태로 이동하는 로봇의 경우, 센서 측정값에 기반해 생성된 제어 기준(Reference)이 자연스러운 보행 주기(Gait Cycle)를 잘 따르고 있는지 판단하는 알고리즘의 존재 여부가 로봇 운동의 안정성을 확보하고 에너지 소모를 감소시키는 데 핵심적인 역할을 한다는 것을 제시하였다[
1]. 이는 곧 보행 단계 인식 시스템이 보행 로봇 제어의 핵심 요소 중 하나임을 의미하며, 그 특성은 실제 하드웨어에 대한 적용성을 고려해 설계되어야 한다. 즉, 새로운 보행 단계 인식 시스템은 자연스러운 보행을 방해하지 않도록 높은 이동성과 내구성을 확보하면서도 실시간 처리에 적합하도록 낮은 연산 요구량을 지녀야 한다. 또한, 보다 정밀한 보행 보조를 위해 보행 단계를 세분화하여 구분하는 기능 역시 요구된다.
인간 보행은 시간에 따라 연속적인 단계로 이어지며 이를 보행 단계(Gait Phase)라 한다. Perry 등이 실시한 고전적인 연구에서는 보행을 여덟 개의 단계로 구분하였고, 이 체계를 기반으 로 다수의 후속 연구들이 발전해왔다[
2]. 후속 연구에서 보행 단계를 검출하기 위해 가장 널리 활용된 방식은 힘판을 이용한 지면반력(GRF) 측정 방식, 그리고 마커와 카메라 기반 시스템(VICON, Kinect 등)을 활용한 시각 기반 방식이다[
3,
4]. 이 방식들 은 높은 정밀도를 제공하지만 측정 장비의 설치 공간을 확보해야 하는 문제가 있거나 측정 가능 범위 등에 물리적인 제약이 있어 활용성이 떨어진다는 단점이 있다.
이러한 공간적 제약을 극복하기 위해 착용형 보행 단계 인식 시스템이 제안되었다. 그중에서도 지면반력 기반 센서를 활용한 인솔형(Insole) 또는 아웃솔형(Outsole) 센서 모듈이 널리 사용되고 있다[
5-
7]. 그러나 인솔형 센서는 반복되는 충격에 취약하여 내구성이 떨어지며, 아웃솔형은 내구성에서 강점이 있지만 구조적 특성상 자연스러운 보행을 방해할 가능성이 있다. 또한 지면반력 방식은 지면과 족저면의 물리적인 접촉이 있어야 측정이 가능하기 때문에 전체 보행 주기의 40% 내외를 차지하는 유각기(Swing Phase) 동안의 정보를 제공하지 못하는 근본적인 한계를 지닌다.
이러한 문제를 해결하기 위해 최근에는 지면과의 직접적인 접촉이 필요 없는 비접촉식 센서를 이용한 시스템이 연구되고 있다. 관성 센서(IMU), 적외선(IR) 센서, LiDAR, ToF (Time-of-flight) 센서 등이 대표적으로 활용되며, 이들은 관절 운동 분석, 보행 인식, 거리 기반 분석 등에 효과적으로 적용되고 있다[
8-
12]. 특히 Li 등은 IR 센서를 이용하여 측정한 거리로 보행 이벤트를 검출하는 시스템을 제안하였으나, 아날로그 센서 특유의 외란 민감성과 3점 측정을 위한 다수 센서 부착에 따른 하드웨어 복잡성이 한계로 지적된다[
10]. 또한 Koay 등은 ToF 센서를 활용한 보행 분석을 시도하였으나 양발에 ToF 센서 4개와 IMU 2개를 융합해 활용함으로 인해 데이터 처리 과정이 복잡해지고 센서 간 동기화가 요구된다는 점과 지면으로부터의 발의 높이에만 주목했다는 한계가 존재한다[
12].
본 연구는 추가적인 센서 융합 없이 비접촉식 거리 측정이 가능한 ToF 센서만을 이용하여 보행 시 발뒤꿈치와 제5 중족지 관절(metatarsophalangeal joint, MTP 관절) 부근으로부터 지면 까지의 거리 정보를 실시간으로 측정하고, 이를 바탕으로 실시간 보행 단계를 판별하는 경량화된 시스템을 제안한다. 논문의 순서는 다음과 같다. 2절은 비접촉 방식으로 보행 단계를 판별하기 위해 설계된 센서 모듈과 이에 기반한 시스템에 대해 설명한다. 보행 단계 판별을 위한 알고리즘은 3절에서 소개된다. 4절에서는 실제 인간 보행 측정값에 알고리즘을 적용해 보행 단계를 판별한 결과를 소개한다. 마지막으로 5절에서는 본 연구의 결론과 발전 방향을 제시한다.
2. 비접촉식 족저-지면 거리 측정 시스템
2.1 인간 보행 단계 정의
인간의 자연스러운 보행은 소모되는 에너지를 최소화하고 걷는 동안의 편안함을 극대화하기 위해 특정한 형태로 수렴하게 되는데 이를 보행 주기라고 한다. Perry 등은 현재 널리 활용되고 있는 8개의 기능적인 단계로 구분된 인간 보행 주기 모델을 제시한 바 있다[
2].
Fig. 1은 한 보행 주기 동안 발의 움직임, 그리고 발뒤꿈치와 제5 MTP 관절로부터 지면까지 측정한 거리의 개략적인 모습을 보여준다. 이와 같이 한 보행 주기 동안 반대편 다리와 발의 움직임에 대한 운동학적 정보가 없어도 한쪽 발의 움직임만으로 보행 단계를 구분 가능하다. 이에 더해 비접촉식으로 거리를 측정한다면 지면과의 거리 측정을 통해 발이 땅에 접촉해 있는지 여부를 판별할 수 있고 다수의 거리 측정 센서를 활용해 발의 보행 중 각속도 또한 추정 가능하다. 이러한 관찰을 바탕으로 비접촉식 거리 센서에 활용 가능한 보행 단계를 정의한다.
2.2 센서 모듈 구성
보행 단계 분석을 위해 연구에서 활용한 센서 모듈은 비행 시간(Time of Flight, ToF) 원리에 기반한 거리 측정 센서(STMicroelectronics VL53L1X) 2개, 실리콘 튜브로 만들어진 측정 부위를 공압센서(SHIBA Korea 33A-015G-2210)와 결합한 센서 2개로 이루어져 있다. 제안된 모듈은 신발 위에 덧댈 수 있는 형태로 만들어져 신발 종류와 상관없이 활용 가능하다. 착용자는
Fig. 2와 같이 센서 모듈 위에 발을 올려놓고 발 내측과 아킬레스건 주변으로 스노보드 고정 스트랩을 조여 각 발을 모듈에 고정시킴으로써 착용한다. 발을 지지하는 알루미늄 구조물과 PLA로 제작된 센서 지지대는 보행 시 ToF 센서 측정값이 발뒤꿈치와 제5 MTP 관절 사이의 상대적인 움직임으로부터 오는 흔들림으로부터 받는 영향을 최소화한다.
2.2.1 자연스러운 보행을 위한 고려 사항
제안된 센서 모듈에서 가장 먼저 고려해야 할 요소는 착용자의 자연스러운 보행 주기를 방해하지 않는 것이다. 보행의 한 주기는 유각기와 입각기로 구성된다. 유각기는 보행 중 발이 지면과 접촉하지 않은 채 전방으로 이동하는 구간이다. 따라서 센서 모듈이 지나치게 무겁거나 부피가 크지 않다면 유각기의 자연스러운 보행에 미치는 영향은 제한된다. 따라서 이 경우에는 모듈의 물리적 크기가 중요한 요소이며, 제안된 모듈은 발 주변에 돌출된 부품을 최소화하고 경량화를 이루어 이러한 제약을 충족한다. 입각기는 보행 중 발의 일부라도 지면과 접촉하는 구간이다. 따라서 초기 접지기(Initial Contact), 부하 반응기(Loading Response) 및 중간 입각기(Midstance)를 거쳐 말기 입각기(Terminal Stance), 전유각기(Preswing)로 이어지는 신체 구조의 부드러운 전환이 방해받지 않아야 하고 이를 위해서 센서 모듈이 MTP 관절과 접하는 부분이 유연해야 한다. 이러한 점을 고려하여, 모듈의 발뒤꿈치에서 MTP 관절 부근까지는 단단한 부품으로 설계되었고 MTP 관절부터 발가락까지의 구간은 TPU 및 스펀지와 같은 유연한 소재로 제작되었다.
2.2.2 측정 위치 선정 기준
외측 세로아치는 시상면에서 발뒤꿈치로부터 제5 MTP 관절까지 이어지는 아치를 말한다. Kouchi 등의 연구에 따르면 기립 및 보행 시 외측 세로아치의 수평 길이 변화는 제한적이며, 발뒤꿈치와 제1 MTP 관절을 연결하는 내측 세로아치에 비해 그 변화량이 더 작다[
13]. 자연스러운 보행을 보장하기 위해, 센서 모듈은 발 내측으로의 간섭을 최소화하도록 설계되어야 한다. 따라서 외측 발뒤꿈치와 제5 MTP 관절이 ToF 센서를 설치하기 에 가장 적합한 위치로 판단된다. 제안된 센서 모듈의 알루미늄 프레임과 PLA 소재 센서 지지부는 보행 전 주기에 걸쳐 ToF 센서가 발바닥면과 수직 방향을 유지하며 안정적으로 거리를 측정할 수 있도록 견고하게 고정한다.
보행 주기에서 최대 족저압 분포는 주로 발뒤꿈치, MTP 관절, 그리고 발가락 부근에서 뚜렷하게 나타난다[
14]. Kong과 Tomizuka 는 실리콘 고무 튜브로 제작된 공기 주머니 기반 족저압 측정 모듈을 엄지발가락, 제1 중족골 부근, 제4 중족골 부근, 그리고 발뒤꿈치에 배치하여 여섯 가지 서로 다른 보행 단계를 구분하는 방법을 제안하였다[
5]. 족저압 측정의 주된 목적이 거리 측정 기반의 새로운 방식과의 비교를 위한 데이터를 확보하는 것임을 고려하면 발뒤꿈치와 MTP 관절을 족저압 측정 지점으로 선정하는 것이 적절하다.
족저압과 거리 측정을 위한 센서는 센서 모듈에 통합되어 있다. 각 센서는
Fig. 2와 같이 설치된다. 2개의 ToF 센서가 발 각각의 외측 발뒤꿈치와 제5 MTP 관절에, 그리고 2개의 족저압 측정 센서 모듈이 발뒤꿈치 전체와 MTP 관절 전체의 압력을 측정하도록 위치해 있다.
Fig. 3에 요약된 바와 같이 시스템 내 데이터는 Teensy 3.2 보드와 NI myRIO를 이용해 처리하고 전원은 배터리로부터 myRIO를 거쳐 Teensy 보드를 통해 각 센서로 공급된다. Teensy 보드는 센서로부터 값을 받아와 UART 통신을 통해 데이터를 취합하는 myRIO로 보낸다.
3. 보행 단계 인식 알고리즘
3.1 압력 센서 기반 보행 단계 인식
Pachi와 Ji는 쇼핑몰과 같은 장소에서 일상적인 속도로 걷는 사람들이 발을 내딛는 주파수가 평균 2.0 Hz와 표준편차 0.13 Hz의 정규분포를 이룬다는 점을 밝혀냈다[
15]. 이에 기반하여 실험 데이터 분석에서는
fc = 10.0 Hz, 혹은 평균 보행 주파수의 5배 값을 차단주파수로 하는 저역통과필터를 적용하였다.
양 발의 발뒤꿈치와 MTP 관절에 설치된 족저압 센서는 입각기와 유각기를 포착할 수 있다. 하지만 지면과 발이 접촉해 있어야만 지면반력을 측정할 수 있는 압력 센서의 특성으로 인해 해당 센서에 기반한 분석법은 유각기의 하위 단계까지는 판별할 수 없다. 이러한 이유로
Fig. 4에서 나타나 있듯이 압력 센서로 측정한 유각기의 보행 단계는 Phase 5의 단일 단계이다.
발뒤꿈치와 MTP 각 지점에서 측정된 압력값
Px를
식(2)에 사용된 압력 임곗값과 비교하여 지면 접촉 여부
μx를 판별하면,
식(1)에 요약된 네 가지 보행 단계를 도출할 수 있다. 이후 이 결과를 거리 측정으로 판별한 입각기 및 유각기 구간과 각 보행 주기의 분석 결과와 비교할 수 있다.
Fig. 5와 같이, 임곗값에 기반하여 접촉 여부를 판단하면 보행 단계가 뚜렷하게 구분된다.
착용자가 자연스러운 보행을 수행하는 동안 수집된 거리 측정의 원본 데이터는
Fig. 6과 같다. 이를 보행 주기에 따라 정규화하여 도출한 평균 및 표준편차 그래프는
Fig. 7에 나타나 있다. 실시간 제어가 필요한 시스템의 특성상, 보행 단계 인식과 정에서의 시간 지연을 최소화하기 위해서는 연산 부하가 적고 직관적인 알고리즘이 요구된다. 따라서 족저압 측정 방식과 유사하게, 적절한 임곗값을 설정하고 이를 기반으로 보행 단계를 판별하는 기법을 적용하였다. 건강한 성인의 보행 특성에 따라,
Fig. 7의 좌우 거리 측정값은 보행 주기에 대해 뚜렷한 대칭성을 보인다. 발뒤꿈치 거리 데이터는 단일 피크를 갖는 역 V자 형태를, MTP 거리 데이터는 첫 번째 피크가 두 번째보다 큰 이 중 피크 형태를 나타낸다. 이때 발뒤꿈치 거리값의 최댓값은 MTP 거리값의 최댓값보다 크며, 두 그래프는 특정 지점에서 교차한다. 이 교차점은 지면에 대한 발의 각도 부호가 바뀌는 시점, 즉 발바닥이 지면과 평행해지는 순간을 의미한다.
이후의 분석에서 발뒤꿈치와 MTP로부터 측정된 거리 값은 각각
lH와
lM으로 표기한다. 또한, 각 센서 위치의 지면 접촉 여부를 판단하기 위한 임곗값은
γH와
γM로 정의하며, 접촉 상태는
μH와
μM으로 나타낸다. 보행 단계 구분을 위한 데이터의 가장 주목할 만한 특징은, 매 걸음마다 발뒤꿈치가 MTP보다 먼저 들리고 먼저 착지한다는 점이다.
Fig. 1에 시각화되어 있는 거리 측정값 기반의 보행 단계 분류 상세 기준은 다음과 같다. 이는
Table 1에 정리되어 있다.
본 연구에 사용된 ToF 센서인 VL53L1X의 최소 측정 거리는 40 mm이며, 이보다 짧은 거리에서는 측정 대상은 감지되더라도 측정값의 절대 정확도는 보장되지 않는다. 본 시스템 구성에서 입각기 동안 센서-지면 거리가 40 mm 이하로 근접할 때 측정값이 0 mm 근처로 수렴하는 경향이 관측되었다. 이러한 센서의 특성을 고려하여 해당 구간에서는 접촉/비접촉의 이진 판별만을 활용하고 지면 접촉 여부를 판별하는 임곗값(γH, γM)은 10 mm 이내의 작은 값으로 설정하였다. 또한, 발이 지면에서 떨어지며 거리가 급격히 증가하므로 임곗값을 작게 설정하여도 즉각적인 유각기 전환 감지가 가능함을 확인하였다.
3.2.1 보행 단계 0
0단계에서는
Fig. 7의 보행 주기 0% 부근에서 확인할 수 있듯이 발뒤꿈치부터 지면과의 접촉이 시작된다. 따라서 발뒤꿈치는 지면에 닿지만, MTP 관절은 아직 지면에 닿아 있지 않은 상태이다.
3.2.2 보행 단계 1
0단계를 거쳐 1단계에 이르면 발뒤꿈치와 MTP 관절을 포함한 발바닥 전체가 지면에 닿는다.
3.2.3 보행 단계 2
2단계에서는 발뒤꿈치가 먼저 들어올려지면서 발이 지면에서 떨어지기 시작한다. 해당 단계는 발뒤꿈치는 지면에 닿아 있지 않지만 MTP 관절은 여전히 지면과 접촉하고 있는 상태를 통해 판별된다.
3.2.4 보행 단계 3
3단계는 발뒤꿈치와 MTP 관절이 모두 지면에서 떨어져 있는 유각기에 속한다. 이 구간에서 lH 값은 증가하는 경향을 보이므로 길이 측정값의 변화량을 보행 단계 판별에 사용할 수 있다. 그러나 거리 데이터의 미분을 통한 속도 연산은 필연적으로 고주파 노이즈의 증폭을 야기한다. 이를 완화하기 위한 저역통과 필터 적용은 위상 지연을 발생시켜 실시간 제어의 안정성을 저해할 수 있다. 따라서 본 연구에서는 연산 부하를 최소화하고 즉각적인 상태 판별을 수행하기 위해, 속도 항을 배제하고 거리 데이터의 기하학적 대소 관계만을 활용한다. 즉, 제안된 알고리즘은 속도를 계산하는 대신 각 측정값의 현재 값과 이전 값만을 비교하여 단계를 판별함으로써 실시간성을 확보했다.
3.2.5 보행 단계 4
3단계와 마찬가지로 4단계에서도 발뒤꿈치와 MTP가 모두 지면에서 떨어져 있다. 차이점은 lH 값이 이번 단계에서는 감소하고 있다는 점이다.
3.2.6 보행 단계 5
5단계에서도 다른 유각기 단계들과 마찬가지로 발뒤꿈치와 MTP가 모두 지면에서 떨어져 있다. 이 단계의 특징은
lH 값이
lM 값과 같거나 더 작다는 점이다. 즉, 발바닥이 지면과 평행해지는 지점을 지난 직후에 5단계에 진입하게 된다. 지금까지 서술한 거리 센서 기반의 보행 단계 판별 알고리즘의 전체적인 흐름도는
Fig. 8과 같다.
μx의 조건은
식(3)과 같이 정의된다. 여기서 1은 해당 측정 지점이 지면과 접촉하지 않은 상태를, 0은 지면과 접촉한 상태를 의미한다.
제안된 6개의 보행 단계는 발뒤꿈치와 MTP의 지면 접촉 상태, 유각기 측정 거리와 그 변화 방향에 기반해 정의된다. 일반적인 보행 분석과 비교하면 보행 단계 0-2는 각각 순서대로 초기 접지기(Initial Contact), 부하 반응기(Loading Response)에서 중간 입각기(Midstance), 그리고 말기 입각기(Terminal Stance)에서 전유 각기(Preswing)에 해당하는 입각기의 하위 단계이다. 보행 단계 3-5는 각각 순서대로 초기 유각기(Initial Swing), 중간 유각기(Midswing), 그리고 말기 유각기(Terminal Swing)와 유사하다[
2,
9].
4. 실험 결과 및 분석
4.1 실험 조건 및 설정
본 연구는 제안된 비접촉 센서 시스템의 하드웨어적 실현 가능성과 알고리즘의 동작 유효성을 검증하기 위한 선행 연구로서, 실험 대상 수를 제한하였다. 실험은 고무 매트가 깔린 평탄한 실내 환경에서 20대 비장애인 남성 1인을 대상으로 진행하였다. 각 실험 세트에서는 약 20회의 완전한 보행 주기를 측정하였으며, 보행의 시작과 종료 시점에 발생할 수 있는 불규칙한 데이터는 분석에서 제외하였다.
4.2 보행 단계 인식 결과
Fig. 10은 실험 데이터에 제안된 보행 단계 인식 알고리즘을 적용한 결과를 보여준다. 상단 그래프는 측정된 거리 원본 데이터를, 하단 그래프는 해당 측정값에서 판별된 보행 단계를 나타낸다. 제안된 6가지 보행 단계가 양쪽 발 모두에서 수집된 데이터로부터 명확하게 검출됨을 확인할 수 있다. 좌/우 및 발뒤꿈치/MTP에 대한 4가지 지면 접촉 판단 임곗값을 설정하기 위해 실험 시작 시 정적 기립 구간에서 측정된 거리 평균값을 오프셋으로 계산하고 이를 차감하여 각 ToF 센서 장착 오차 및 측정 오프셋을 보정하였다. 이후 각 임곗값은 지면 접촉 여부를 판별할 수 있는 최솟값으로 설정되었다. 양발의 입각기가 시간적으로 중첩되는 구간은 양발 지지기를 나타낸다. 따라서 본 시스템을 통해 도출된 결과에
Fig. 9에 정리되어 있는 용어와
식(4)부터
식(7)까지의 일반적인 보행 분석 지표를 적용하여 보행 성능을 정량적으로 평가할 수 있다.
4.3 보행 분석 및 족저압 기반 방식과의 비교
보행 분석은
식(4)부터
식(7)을 사용하여 수행되었고 그 결과는
Table 2에 제시되어 있다. 제안된 보행 단계 분석 시스템은 한발/양발 지지기 모두를 감지 가능하기 때문에 기존에 널리 활용되는 보행 분석 방법론을 그 측정값에 적용할 수 있으나, 분석 결과는 기존의 족저압 기반 시스템 대비 다른 특징을 보인다. 압력 기반 시스템은 발바닥의 물리적 지면 접촉이 일어난 이후를 입각기의 시작 시점으로 판단하고 거리 기반 시스템은 그 직전 시점을 시작점으로 판단하는 경향이 있다. 따라서 전자가 후자의 경우보다 유각기를 더 길게 판단할 확률이 높지만 오히려 전자가 실제 물리적 접촉 여부를 감지한다는 점에서 실제 값에 더 가까울 가능성이 있다. 하지만, 후자의 경우 사람이나 로봇이 외란에 취약해지는 시점인 유각기에도 지속적으로 측정값을 제공하기 때문에 유각기가 실제보다 조금 더 짧게 측정되는 단점을 상쇄할 수 있다. 로봇 제어를 위한 제어 기준을 생성하고 내외부 환경의 변화에 따라 실시간으로 그 오차를 수정하는 목적을 고려하면 이렇게 전 보행 주기에 걸쳐 연속적으로 측정 가능하다는 특성이 필수적이기 때문에 새로 제안된 방식이 로봇에의 적용에 더 유리하다.
5. 결론
본 논문에서는 비접촉식 웨어러블 센서 모듈과 이에 기반한 보행 감지 알고리즘, 그리고 거리 측정 데이터에 최적화된 새로운 보행 단계 모델을 제안하였다. 공기 주머니나 FSR (Force Sensing Resistor)을 사용하는 기존의 보행 감지 방식은 새로운 사용자에게 적용할 때마다 사용자의 특성에 맞춘 캘리브레이션 과정이 필수적이다. 이러한 과정은 시스템 성능에 직접적인 영향을 미치므로 정밀하게 수행되어야 하며, 사용자나 연구자의 숙련도와 같은 인적 요인의 영향을 많이 받는다는 한계가 있다. 또한 보행 중 반복되는 충격 부하로 인한 내구성 저하와, 공기 주머니 방식에서 발생하는 공기 누출 문제는 시간 경과에 따라 보상하기 어려운 비선형적인 성능 변화를 야기한다. 이러한 문제들은 시스템의 유효 사용 시간을 단축시켜 일상적인 활용을 어렵게 한다.
반면, 제안된 거리 측정 기반 방식은 하드웨어의 기구적 치수가 변하지 않는 한 사용자 특성의 영향을 상대적으로 덜 받는다. 따라서, 이는 기존 방식 대비 사용자 의존성이 낮고, 측정 초기에 정적으로 기립한 자세에서의 간단한 임곗값 초기화로 일관된 임곗값 기반 분석이 가능할 것으로 기대된다. 이에 따라 상기 제약을 완화할 수 있다. 본 모듈에 적용된 ToF 센서는 단가, 신호 처리의 용이성, 데이터 업데이트 속도 및 신뢰성 측면에서 이점을 가지나 향후 응용 분야에 따라 초음파, LiDAR, RGB-D 카메라 등 다른 비접촉 거리 측정 센서로도 확장이 가능하다.
본 연구는 기울기가 없는 평탄한 실내 지면에서의 선행 검증을 목적으로 수행되었고 고정된 판단 기준을 사용한다. 따라서 경사면, 요철이 있는 지면, 계단 등 평탄하지 않은 지면 환경에서는 정상보행 시 한 걸음에 대한 거리 측정 결과의 형태가 달라져 보행 단계 분류 성능이 저하될 수 있다. 향후 연구에서는 지면 형상에 대한 보상을 위해 IMU 기반 자세 추정, 거리 측정 지점 추가, 보행 중 적응형 임곗값 알고리즘 등을 도입하여 더 다양한 지면 조건에서의 성능 검증을 확대할 계획이다.
본 연구의 향후 과제는 보행 단계 인식 시스템을 웨어러블 로봇이나 보행형 로봇에 통합하고, 인식된 보행 단계에 따라 제어 전략을 변경하여 그 효용성을 검증하는 것이다. 이러한 후속 연구를 통해, 제안된 방법은 로봇 제어 분야뿐만 아니라 보행 보조, 보행 분석, 이상 보행 탐지와 같은 헬스케어 응용 분야에도 폭넓게 적용될 것으로 기대된다.
Fig. 1Diagram of foot movements during a gait cycle and gait phase classification based on foot-to-ground distance
Fig. 2ToF distance and foot pressure measurement sensor module assembly. (a) Side view and (b) Bottom view
Fig. 3Schematic of the ToF distance and foot-pressure measurement system
Fig. 4Gait phase detection with pressure sensors located at heel and MTP
Fig. 5Foot-pressure measurements and detected gait phases
Fig. 6Distance measurements during walking
Fig. 7Mean and standard deviation of time-normalized gaits; 18 strides were used for each foot
Fig. 8Flowchart of gait-phase detection using heel and MTP distance measurements
Fig. 9Terminology for gait phase analysis
Fig. 10Distance measurements and gait phase estimates during continuous walking
Table 1Phase detection conditions from distance measurement
Table 1
|
Phase |
0 |
1 |
2 |
3 |
4 |
5 |
|
lH
|
< γH
|
< γH
|
≥ γH
|
Δ ≥ 0 |
Δ < 0 |
≤ lM
|
|
lM
|
≥ γM
|
< γM
|
< γM
|
≥ γM
|
≥ γM
|
≥ lH
|
|
μH
|
0 |
0 |
1 |
1 |
1 |
1 |
|
μM
|
1 |
0 |
0 |
1 |
1 |
1 |
Table 2Gait analysis from distance and foot pressure
Table 2
|
Gait parameter |
Side |
Distance-based [%] |
Foot pressure [%] |
|
Mean |
St. Dev. |
Mean |
St. Dev. |
|
Swing |
Left |
44.02 |
0.47 |
47.57 |
0.96 |
|
Right |
41.65 |
1.23 |
47.59 |
1.48 |
|
Stance |
Left |
55.98 |
0.47 |
52.43 |
0.96 |
|
Right |
58.35 |
1.23 |
52.41 |
1.48 |
|
Single stance |
Left |
48.16 |
1.02 |
48.71 |
0.93 |
|
Right |
50.57 |
0.46 |
48.68 |
0.50 |
|
Double stance |
Left |
7.82 |
1.28 |
3.72 |
1.64 |
|
Right |
7.79 |
1.27 |
3.73 |
1.65 |
REFERENCES
- 1. Seo, K., Hyung, S., Choi, B. K., Lee, Y., Shim, Y., (2015), A new adaptive frequency oscillator for gait assistance, Proceedings of IEEE International Conference on Robotics and Automation (ICRA). 5565-5571.
- 2. Perry, J., Burnfield, J. M., (2010), Gait analysis: Normal and pathological function, 2nd Edition. Slack Incorporated.
- 3. Dierick, F., Penta, M., Renaut, D., Detrembleur, C., (2004), A force measuring treadmill in clinical gait analysis, Gait & Posture, 20(3), 299-303.
- 4. Pfister, A., West, A. M., Bronner, S., Noah, J. A., (2014), Comparative abilities of Microsoft Kinect and Vicon 3D motion capture for gait analysis, Journal of Medical Engineering & Technology, 38(5), 274-280.
- 5. Kong, K., Tomizuka, M., (2009), A gait monitoring system based on air pressure sensors embedded in a shoe, IEEE/ASME Transactions on Mechatronics, 14(3), 358-370.
- 6. Pappas, I. P., Popovic, M. R., Keller, T., Dietz, V., Morari, M., (2001), A reliable gait phase detection system, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 9(2), 113-125.
- 7. Li, G., Liu, T., Yi, J., Wang, H., Li, J., Inoue, Y., (2016), The lower limbs kinematics analysis by wearable sensor shoes, IEEE Sensors Journal, 16(8), 2627-2638.
- 8. Zhao, H., Wang, Z., Qiu, S., Wang, J., Xu, F., Wang, Z., Shen, Y., (2019), Adaptive gait detection based on foot-mounted inertial sensors and multi-sensor fusion, Information Fusion, 52, 157-166.
- 9. Kim, G. T., Lee, M., Kim, Y., Kong, K., (2023), Robust gait event detection based on the kinematic characteristics of a single lower extremity, International Journal of Precision Engineering and Manufacturing, 24(6), 987-1000.
- 10. Li, C., He, Y., Chen, T., Chen, X., Tian, S., (2021), Real-time gait event detection for a lower extremity exoskeleton robot by infrared distance sensors, IEEE Sensors Journal, 21(23), 27116-27123.
- 11. Yamada, H., Ahn, J., Mozos, O. M., Iwashita, Y., Kurazume, R., (2020), Gait-based person identification using 3D LiDAR and long short-term memory deep networks, Advanced Robotics, 34(18), 1201-1211.
- 12. Koay, J. Y., Gouwanda, D., (2025), A minimalist wireless instrumented shoe design to measure foot clearance in human gait, Measurement, 253, 117605.
- 13. Kouchi, M., Kimura, M., Mochimaru, M., (2009), Deformation of foot cross-section shapes during walking, Gait & Posture, 30(4), 482-486.
- 14. Hessert, M. J., Vyas, M., Leach, J., Hu, K., Lipsitz, L. A., Novak, V., (2005), Foot pressure distribution during walking in young and old adults, BMC Geriatrics, 5(1), 8.
- 15. Pachi, A., Ji, T., (2005), Frequency and velocity of people walking, The Structural Engineer, 83(3), 36-40.
Biography
- Daeho Lee
He received the B.S. and M.S. degrees from Korea Advanced Institute of Science and Technology (KAIST). He is currently a researcher at the Agency for Defense Development (ADD). His research interests include design and control of human-assistive robots, modeling of human-body dynamics, and human-intention recognition.
