Asistencia al exoesqueleto sin experimentos mediante aprendizaje en simulación

Área de la Ciencia:

• La robótica
• Biomecánica
• Aprendizaje automático

Sus antecedentes:

• Los exoesqueletos pueden mejorar la locomoción humana, pero el desarrollo se ve obstaculizado por las extensas pruebas en humanos y el diseño de control manual.
• Cerrar la brecha entre la simulación y la realidad para el control robótico es un desafío significativo.

Objetivo del estudio:

• Desarrollar un método libre de experimentos para el aprendizaje de políticas versátiles de control de exoesqueletos en simulación.
• Permitir el desarrollo rápido y la adopción generalizada de robots de asistencia.

Principales métodos:

• Utilizó un marco de aprendizaje en simulación con modelos musculoesqueléticos y exoesqueléticos conscientes de la dinámica.
• Aprendizaje de refuerzo basado en datos para entrenar políticas de control sin experimentos en humanos.
• Desplegado el controlador aprendido en un exoesqueleto de cadera personalizado.

Principales resultados:

• Se lograron reducciones significativas de la tasa metabólica: 24.3% para caminar, 13.1% para correr y 15.4% para subir escaleras.
• Demostró una política de control versátil y adaptable a las diferentes actividades.
• Ha cerrado con éxito la brecha entre la simulación y la realidad.

Conclusiones:

• El marco propuesto ofrece una estrategia generalizable y escalable para el desarrollo de robots de asistencia.
• Este método acelera la creación de soluciones robóticas para personas sanas y con movilidad reducida.
• Elimina la necesidad de largos ensayos en humanos en el desarrollo de controles de exoesqueletos.