PRISM:从合成建模中识别参数恢复

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
• 发动机控制器的控制器

背景情况:

• 人类运动学习的动态是复杂的,难以准确地建模.
• 机器人和系统识别中的现有方法在捕捉人类动态方面存在局限性.
• 持续的兴奋对于准确的建模至关重要,但在人类运动控制中未被充分探索.

研究的目的:

• 开发和测试一种前向逆向方法来估计人类运动控制参数.
• 为准确的参数估计确定最佳的实验条件.
• 建立个性化运动控制建模的框架.

主要方法:

• 使用合成模型模拟平面手臂运动.
• 应用了前向反向方法来估计关节硬度,缓冲和反收益.
• 利用回归分析来确定关键任务和参数估计的干扰条件.

主要成果:

• 前向逆向方法准确估计了电机控制参数.
• 特定的扰动条件被确定为增益参数估计的最有信息性.
• 在优化的扰动条件下,一组40次运动产生了高参数估计精度 ($R^{2}=0.97$).

结论:

• 开发的技术使用模拟或数字双胞胎方法有效估计人手臂控制特性.
• 这种方法为优化运动学习研究中的实验设计提供了一个框架.
• 这些发现为了解和增强运动控制的更个性化方法铺平了道路.