Se han propuesto Dispositivos Asistivos Alimentados (PADs) para permitir la rehabilitación de la marcha repetitiva y orientada al usuario. Pueden incluir controladores de par que normalmente requieren trayectorias de par articular de referencia para determinar el nivel de asistencia más adecuado. Sin embargo, se necesita un enfoque robusto capaz de estimar automáticamente las trayectorias de par articular de referencia orientadas al usuario, a saber, el par del tobillo, considerando los efectos de la velocidad de marcha variable, la masa corporal y la altura en la dinámica de la marcha. Este estudio evalúa la precisión y la capacidad de generalización de dos regresores de Aprendizaje Profundo (DL) (Memoria a Largo y Corto Plazo y Red Neuronal Convolucional (CNN)) para generar trayectorias de par del tobillo orientadas al usuario personalizándolas de manera innovadora según la velocidad de marcha (que varía de 1.0 a 4.0 km/h) y la altura y masa corporal de los usuarios (que varían de 1.51 a 1.83 m y de 52.0 a 83.7 kg, respectivamente). Además, este estudio hipotetiza que los regresores DL pueden estimar el par articular sin recurrir a señales de electromiografía. La CNN fue el algoritmo más robusto (Error Cuadrático Medio Normalizado: 0.70 +/- 0.06; Correlación de Spearman: 0.89 +/- 0.03; Coeficiente de Determinación: 0.91 +/- 0.03). No se encontraron diferencias estadísticamente significativas en la precisión de la CNN (valor p > 0.05) ya sea que se incluyan señales de electromiografía como entradas o no, lo que permite una configuración menos intrusiva y más precisa para la estimación del par.