基于近距离政策优化 (PPO) 的实证和强化学习 (RL) 控制对步行辅助的比较:人工智能总是赢吗?

科学领域:

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

背景情况:

• 可穿戴辅助设备在工业和医疗环境中越来越多地使用.
• 将人类专业知识与人工智能 (AI) 结合起来,以提供个性化的帮助,这是一个不断增长的趋势.
• 人工智能在定制支持方面超越人类能力的潜力受到辩论.

研究的目的:

• 调查人工智能驱动的可穿戴下肢辅助设备的控制策略的有效性.
• 将经验控制策略与强化学习 (RL) 优化策略进行比较,用于大腿外套.
• 评估这些控制器对肌肉激活和步行表现的影响.

主要方法:

• 这项研究使用了双关节大腿外套,它模仿腿筋和大腿直肠肌肉的动作.
• 测试了两种控制策略:在神经肌肉模型上使用经验控制器和RL优化的控制器.
• 通过比较肌肉激活 (腿筋,腹肌,大腿,大腿直肠) 和在辅助和无辅助模式中偏好的步行速度来评估表现.

主要成果:

• 实证和RL控制器都减少了腿筋肌肉的激活,并增加了偏好的行走速度.
• 经验控制者也降低了胃肌肌肉活动.
• 基于RL的控制器导致了巨和直骨肌肉激活的增加.

结论:

• 可穿戴辅助设备可以通过实证和基于人工智能的方法来控制,以帮助人类行走.
• 强化学习在辅助设备控制中的学习优化在没有经验验证的情况下,可能并不总能产生优异的结果.
• 未来人工智能驱动的辅助技术需要仔细整合人类的专业知识和经验数据,以确保最佳和安全的性能.