为什么硬编码生物四肢当他们可以从人类学习?

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
• 机器学习 机器学习

背景情况:

• 传统的动力脚外骨控制依赖于基于状态机器的方法,具有硬编码的启发式.
• 这些传统方法难以适应不同的人类步行条件所需的适应性.

研究的目的:

• 提出和验证一个基于学习的任务通用模型,用于动力脚外骨控制.
• 通过从人类示范中学习,使外骨能够适应各种步行场景.

主要方法:

• 开发了一个基于学习的模型,从多个人类行走示范中推断出步态限制.
• 该模型在不同倾斜和速度的十个实验对象上进行了验证.
• 用户研究对有能力的受试者进行了研究,他们执行了各种走路场景,包括转和跨越.

主要成果:

• 基于学习的模型证明了对未经训练的步态条件 (如更高的速度和倾斜) 进行概括的能力.
• 试验对象报告了舒适的适应各种步行场景,而不会影响稳定性.
• 在线实验证实了该模型在多种运动条件中的有效性.

结论:

• 与传统方法相比,基于学习的控制为动力脚外骨架提供了更具适应性和强大的解决方案.
• 拟议的模型成功地支持多样化和未经训练的步行条件,改善用户体验.
• 这种方法提高了外骨的性能和用户在一系列行走环境中的稳定性.