基于自适应学习的预测器,用于加强辅助软机器人的控制

科学领域:

• 机器人技术 机器人技术 机器人技术
• 控制系统 控制系统
• 生物医学工程 生物医学工程

背景情况:

• 软机器人为医疗保健辅助护理提供安全性和适应性.
• 由于非线性动态和时间延迟,控制软机器人是很困难的.

研究的目的:

• 开发一种基于学习的新型史密斯预测器 (SP),用于提高软机器人的延迟补偿.
• 提高软机器人在医疗保健应用中的控制精度和安全性,特别是用于辅助护理.

主要方法:

• 提出了一个基于学习的史密斯预测器 (SP),利用内核递归最小方程跟踪器 (KRLST) 来在线近似SP校正术语.
• 使用Legendre延迟网络 (LDN) 进行高效的输入历史编码.
• 该预测器与基线强大的基于模型的非线性控制器集成.

主要成果:

• 实验结果显示,与基线控制器相比,跟踪性能显著改善.
• 提出的方法证明了计算效率和在线适应性.
• 这种方法在提高软机器人系统的延迟补偿方面被证明是有效的.

结论:

• 开发的基于学习的SP为克服软机器人的控制挑战提供了可行的解决方案.
• 该方法适用于现实世界辅助护理应用,可实现更安全,更准确的机器人控制.
• 这种方法有可能推进在医疗保健环境中使用软机器人的使用.