相关实验视频
Updated: May 2, 2026
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.5K
走向更安全的康复:改善下肢外骨架的步行轨迹跟踪,使用离线强化学习
概括
线下强化学习 (RL) 提供更安全的下肢外骨架控制,用于步行康复. 与在线RL相比,TD3+BC等方法改善了轨迹跟踪,减少了培训期间的风险.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 康复工程 康复工程
- 机器学习 机器学习
背景情况:
- 在线强化学习 (RL) 在步行康复中显示出下肢外骨控制的前景.
- 然而,在线RL方法由于实时勘探和潜在的低于最佳的政策而带来安全风险.
- 这就需要探索对外骨控制训练的更安全替代方案.
研究的目的:
- 调查下肢外骨架轨迹控制的离线RL方法的有效性.
- 将离线RL算法的性能与在线RL基线进行比较.
- 在外骨架应用中评估离线RL的安全益处.
主要方法:
- 应用了包括隐式Q学习 (IQL),TD3+BC和ReBRAC在内的离线RL算法.
- 使用近距离政策优化 (PPO) 来培训离线模型生成了多样化的数据集.
- 使用Optuna进行了超参数调整,用于高级模型优化.
主要成果:
- 与PPO基线相比,离线RL模型显示了改善的步态轨迹跟踪.
- TD3+BC模型在轨道跟踪精度方面取得了最高的性能.
- 离线RL成功降低了与在线培训探索相关的安全风险.
结论:
- 离线RL方法为下肢外骨控制提供了一个可行的,更安全的替代方案.
- TD3+BC显示出增强步行康复外骨性能的显著潜力.
- 这种方法减轻了在线RL辅助设备培训中固有的安全问题.
更多相关视频
05:25Author Spotlight: Assessing Brain Activity in Robotic-Assisted Lower Limb Rehabilitation Using fNIRS
Published on: June 7, 2024
1.4K
06:00A Rehabilitation Program of Exoskeleton-assisted Body Weight-Supported Treadmill Training with Non-immersive Virtual Reality for Stroke Patients
Published on: May 16, 2025
394
