使用强化学习控制的个性化自适应辅助增强了机器人辅助伸臂练习的参与度,性能和保留力
概括
这项研究引入了一种新的强化学习辅助 (RL-AAN) 控制器,用于机器人辅助的上肢康复. 与传统方法相比,RL-AAN控制器提高了用户参与度,并提高了中风后的手臂到达精度.
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 康复工程
- 机器学习 机器学习
背景情况:
- 卒中幸存者通常需要上肢康复才能恢复运动功能.
- 传统的机器人辅助康复可能无法最佳地适应个体患者的进展.
- 个性化控制策略对于有效的物理人机交互 (pHRI) 是至关重要的.
研究的目的:
- 引入和评估一个新的强化学习辅助 (RL-AAN) 控制器.
- 为了比较RL-AAN控制器的性能与传统的代学习控制辅助 (ILC-AAN) 控制器.
- 评估RL-AAN控制器能够实时个性化机器人辅助的能力.
主要方法:
- 为RL-AAN控制器实施一个修改的取决于动作的启发式动态编程 (ADHDP) 框架.
- 在一个电缆驱动的终端效应器康复机器人上进行验证.
- 由健康个体执行的基于扰乱的达到任务,以比较RL-AAN与ILC-AAN.
主要成果:
- RL-AAN控制器显著减少了训练期间所需的机器人协助.
- 用户的积极参与和任务执行由RL-AAN控制器促进.
- 在RL-AAN训练后,与ILC-AAN训练相比,保留测试显示了更准确的手臂伸展轨迹.
结论:
- 通过个性化机器人辅助,RL-AAN控制器显示了增强基于运动的康复的潜力.
- 这种方法促进了更大的用户参与,改善了运动恢复结果.
- 这项研究有助于开发适应性控制策略,用于康复中人机物理交互.
