创建和评估的人类模型,从动作捕捉到辅助设备开发,具有不同的行走能力

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物力学 生物力学
• 人工智能的人工智能

背景情况:

• 康复和辅助设备对于老龄化人口的流动性至关重要.
• 为这些设备设计有效的控制器是具有挑战性的,因为用户的变化和损伤.
• 模拟人类运动对于开发和测试先进的康复技术至关重要.

研究的目的:

• 研究深度强化学习 (DRL) 训练参数与模拟人类步行政策的恢复能力之间的相关性.
• 探索DRL如何产生适应干扰的类似人类步行模式.
• 评估DRL生成的模型在模拟用户与平衡辅助设备的交互方面的潜力.

主要方法:

• 利用深度强化学习 (DRL) 来产生人类行走的政策.
• 在DRL训练期间引入受控干扰,以评估恢复能力.
• 多种DRL训练参数,分析它们对步态稳定性和恢复的影响.
• 模拟对外部力量的反应,模仿使用平衡辅助设备所经历的反应.

主要成果:

• DRL成功地产生了类似人类的步行方式,没有任何干扰.
• 在DRL训练期间变化的扰动参数导致模拟人体模型的不同恢复能力.
• 生成的控制策略表现出类似于用户与平衡辅助设备交互的行为,当受到外部力的影响时.

结论:

• DRL是模拟人类行走的一种可行的方法,可以适应不同程度的障碍.
• 在DLR中的训练参数显著影响模拟人类运动的恢复动态.
• 这种方法为开发和完善平衡辅助设备提供了一个有前途的模拟工具.