首选增强Q学习用于在机器人康复健身房中的患者炼计划

科学领域:

• 在康复中使用机器人技术
• 医疗保健中的人工智能
• 人与计算机的交互

背景情况:

• 机器人康复健身房提供小组治疗课程,由一名治疗师监督.
• 量化患者的动机和疲劳是当前传感器技术的挑战.
• 人类治疗师直观地评估这些因素,以获得最佳的病人机器人任务.

研究的目的:

• 为团队机器人康复开发一个自动化病人机器人分配调度器.
• 纳入专家分配偏好,并隐式模拟不可量化的患者状态 (动机,疲劳).
• 提高群体机器人康复治疗的效率和有效性.

主要方法:

• 提出了一个偏好增强的Q-学习任务调度器.
• 使用模拟专家分配偏好训练了调度器.
• 根据基线方法对1000个模拟患者组的调度器性能进行了评估.

主要成果:

• 拟议的调度器显著优于现有的基线分配方法.
• 性能与具有完整患者信息和预测能力的模拟专家非常相匹配.
• 证明了将专家偏好整合到强化学习中的有效性,用于分配调度.

结论:

• 偏好增强型Q学习是优化小组康复中患者机器人任务的可行方法.
• 这种方法成功地结合了主观因素,如动机和疲劳,没有直接测量.
• 在机器人康复环境中,人工智能驱动的调度可以提高治疗师的效率和患者的结果.