Les exosquelettes robotiques souples constituent une approche innovante pour améliorer l'autonomie des personnes à mobilité réduite. Des capteurs portables peuvent être intégrés à ces exosquelettes, permettant de recueillir des données pour effectuer de la reconnaissance des activités. Ces données peuvent servir à entraîner des modèles d'apprentissage automatique pour la prédiction des mouvements, afin de fournir une assistance en temps réel grâce au mouvement de l'exosquelette souple.

Ces modèles doivent être extrêmement précis pour la classification des activités (par exemple, passer de la position assise à la position debout). Ils doivent également effectuer des prédictions de données sur de courtes durées, avec des capteurs à faible latence pour minimiser le délai entre le mouvement de l'utilisateur et la classification d'une activité, permettant ainsi une assistance en temps réel.

Il est alors nécessaire de recourir à l'apprentissage fédéré pour que nos modèles puissent être entraînés sur des données provenant de tout type de profile, et ce, tout en préservant la confidentialité des utilisateurs avec des modèles capables d'apprendre à partir de données distribuées. Les modèles doivent également rester bien calibrés pour des individus dont la qualité des mouvements peut varier au fil du temps (par exemple, évolution de pathologies ou soin de blessures).