הקדמה: ההבטחה של Exoskeletons

מכשירים Exoskeleton עברו מדע בדיוני לטכנולוגיה המסייעת בעולם האמיתי, המציעים תמיכה בשיקום, ייצור וניידות ליחידים עם ליקויים מוטוריים.עם זאת, יעילותם של רובוטים אלה ללבוש על יכולתם להשתלב בצורה חלקה עם פיזיולוגיה אנושית קבועה, בקרים קבועים לעתים קרובות ליפול קצרים, מתן סיוע או יותר מדי או מעט מדי, המוביל לאי נוחות, חוסר יעילות, או אפילו פציעה זו מאפשרת שליטה אישית של משתמשים.

הליבה של exoskeleton אדפטיבית טמונה ביכולת שלה מודל, לפקח ולשנות אינטראקציות בזמן אמת. מאמר זה חוקר את העקרונות הבסיסיים של שליטה הסתגלותית, הרכיבים הקריטיים שהופכים אותו לעבוד, את היתרונות המוחשיים שהוא מציע, ואת המכשולים שנשארים.

הבנה של שליטה הסתגלות ב Depth

בקרה הסתגלותית היא מתודולוגיה שבה הפרמטרים של בקר מותאמים באופן אוטומטי במהלך הפעולה כדי לשמור על רמה הרצויה של ביצועי המערכת, גם כאשר הדינמיקה המערכת משתנה.בניגוד לשליטה חזקה, שמטרתה לעמוד בטווח כבול של אי-ודאות, בקרה הסתגלותית לומדת באופן פעיל ומעדכנת את המודל של המערכת. in exoskeletons, שינויים אלה נובעים מריאציות של המשתמש, שריר, עומס, ושטח סביבתי.

ישנן מספר קטגוריות של שליטה אדפטית בשימוש במערכות exoskeleton:

  • (FLT:0)Model-based Fitive Control:Figal Relies on amatic Model of the Human-robot System. Parameters כגון אינרציה, קשיחות משותפת ושרירים צמחיים מוערכים באינטרנט, והבקר מתאמת בהתאם.שיטות נפוצות כוללות התאמה לפקדות ולשליטה אדפטיבית.
  • (FLT:0) בקרת הסתגלות חופשית: FIRLT:1 לא דורש מודל דינמי מפורש.טכניקות כמו שליטה למידה רצינית (ILC) ולמידה חיזוק (RL) להשתמש בנתונים מניסויים קודמים כדי לשפר את הסיוע העתידי. ILC הוא יעיל במיוחד עבור משימות חוזרות כגון הליכה או הרמת.
  • (FLT:0) Bio-Adaptive Control: אינטגר 1 (Integrates ביולוגיים אותות (למשל, אלקטרומוגרפיה, אלקטרונספילוגרפיה) כדי לפענח את כוונת המשתמש.הבקר מתאים בהתבסס על פעילות עצבית או שרירית של המשתמש, ומאפשר לסטקלטון לחזות ולחזק את התנועה לפני שהיא מתרחשת במלואה.

מדוע החלטות הסתגלות ל Exoskeletons

הגוף האנושי הוא מאוד לא ליניארי וזמני מנוחה.עייפות שרירים, פציעה, ולמידה לגרום לדינמיקה של המשתמש להשתנות במשך דקות וימים. .לכתוב על זה על ידי כך שמאפשר את האקסוסקללטון "למזל" עצמו למשתמש, צמצום העומס הקוגניטיבי והזן הפיזי.לדוגמה, הגאה של החולה שבץ עשויה לשפר מעל שבועות של אימון; בקר פרוגרסיבי יכול לעודד תמיכה פעילה יותר כמו "מהפכה" (כמו "מהפכה")

המונחים: growth in Exoskeletons

יישום שליטה אדפטיבית כרוך בלולאה משולבת הדוקה של חישה, קבלת החלטות, ופעולה. כל רכיב חייב לפעול עם שקיפות נמוכה ואמינות גבוהה כדי לשמור על בטיחות האדם ונוחות. להלן הם תת-מערכתיות חיונית.

חיישנים טכנולוגיות

exoskeletons מודרני להשתמש בחבילה של חיישנים כדי ללכוד את המדינה של המכשיר ואת מדינת המשתמש:

  • (ב) ⁇ :0 יחידות מדידה אינפורמטיביות (IMUsteau): FLT:1 מדידה האצה ומהירות זוויתית, המאפשרת זיהוי זווית משותפת וגילוי צעדים.הם קטנים וזולים אך יכולים לסבול מסחף לאורך זמן.
  • (FLT:0) Electromyography (EMG): פעילות חשמלית 1 של רשומות משרירים.מכיוון הפעלת שרירים לפני המעבר על ידי 50-100 מ"מ, EMG מספק אות להאכיל קדימה עבור כוונת המשתמש.עם זאת, EMG נוטה לאות רעש ודורש מיקום אלקטרודה זהה ומסנן.
  • (FLT:0)Force / Torque Sensors:FreaLT:1) מותקן בממשק של האדם-exoskeleton (למשל, רצועות, לוחות רגל) כדי למדוד כוחות אינטראקציה.
  • (ב) ,0) ג'וינט אנקודרס: FLT:1ua מספק מיקום זווית ומהירות מדויקת של המפרקים לשעבר, חיוני עבור בקרת משוב.

מערכות מחקר מתקדמות משלבות יותר ויותר את החיישנים הללו עם FLT:0near-infrared spectroscopyscopycioscopycioscopyof 1 כדי לפקח על החמצן שרירים ועייפות, לספק תצוגה עשירה יותר של מצב האדם.

שליטה על Algorithms

"מוח" של האקסקולטון ההסתגלות הוא אלגוריתם הבקרה.כמה גישות הוכיחו יעילות:

  • (FLT:0) שליטה במניעה: FIRLT:1 , מכוונן את הנוקשות הווירטואלית ולחות של מפרק האקסוסקלטון.הבקר יכול לעבור בין מצב של התנגדות גבוהה (stiff) לתמיכה כבדה וצורה נמוכה של התנגדות נמוכה (משותף) עבור תנועה טבעית.
  • (FLT:0) Reinforcement Learning (RL): ההרחבה 1 (הפרקים 1) לומד מדיניות סיוע אופטימלית באמצעות משפט וטעייה. סוכן ה-RL צופה במצבו של המשתמש (זוויות ראשונות, מהירות, הפעלת שרירים) ובוחרת מדיניות סיוע לסריק הממזערת את תפקוד העלות (למשל, עלות מטבולית, מעקב אחר שגיאות).
  • (FLT:0) ,Feedback Linearization עם הסתגלות: אנדרל 1) גישה מבוססת מודל אשר מבטלת לא ליניאריות ידועות ולאחר מכן משתמשת estimation פרמטר הסתגלות כדי להתמודד עם אי-ודאות. שיטה זו יכולה להשיג דיוק מעקב גבוה והוא מלומד היטב תיאורטית.
  • (FLT:0) בקרת למידה יצירתית: FLT:1eur עבור משימות תקופתיות, ILC משתמשת בנתונים של שגיאות ממחזורים קודמים כדי להתאים את הפקודה הזנה קדימה.זה יעיל מאוד עבור הליכה על מילימטרים או חזרה על תנועות.

Actuators

Actuators תרגם אותות שליטה להילוך מכני או כוח.סוגי ההפעלה Key ב-Exoskeletons אדפטיים כוללים:

  • (ב) ⁇ :0) מנועים עם סידרה אלסטיאלקטורים (SEA): A Spring ממוקם בין המנוע לבין העומס, מתן תאימות טעונה ורגישים לים מתאים היטב לשליטה באימפולסים להסתגל כי הם יכולים לשנות נוקשות.
  • (FLT:0) ⁇ אומטי או היפוטורים ההידרואלים:FLT ( 1:1) בשימוש בגירשים כבדים של רטי-דו-קולונים עבור הרמת תעשייתית. צפיפות הכוח שלהם גבוהה, אבל רוחב פס שליטה נמוך יותר והם דורשים משאבות גדולות.
  • (FLT:0) שרירים מלאכותיים (PAMssrea): 1FLT 1 מכונני חוזים המחקים שריר ביולוגי.הם קלים ויש להם יחס גבוה למשקל, אבל הם לא לינאריים וקשה יותר לשלוט בדיוק.

בחירתו של אקטוטור משפיעה על סוג של שליטה הסתגלות שניתן ליישם.לדוגמה, הים באופן טבעי ללוות את עצמם כדי למנוע שליטה, בעוד מנועים נהיגה ישיר עשויים לדרוש התאמה מודלים מתוחכמת יותר.

משככי עיניים והתאמה

לולאות בקרה הסתגלות דורשות שתי שכבות של משוב: לולאה ברמה נמוכה השולטת בתפוקה של אקטוטור (למשל, מומנט או מיקום), ו לולאה ברמה גבוהה המעדכנת את הפרמטרים של הבקר.מנגנון ההסתגלות מחליט מתי וכיצד לשנות פרמטרים.

  • (FLT:0)Gradient Descent:FLT:1 הפרמטרים של בקר מכוונים למזער מדד ביצועים, כגון מעקב אחר שגיאות או טעות כוח אינטראקציה.
  • (FLT:0) ,Lyapunov- Based הסתגלות: ההרחבה 1 מבטיחה כי פרמטר העדכונים מבטיח יציבות של המערכת הכוללת, גם כאשר התנהגותו של המשתמש משתנה.
  • (FLT:0) ביוני אי השוויון: FLT:1 שיטות פרובביליסטיות שעדכונים הפצה על דינמיקת משתמשים סבירים, ומאפשרות ליציאת מצרים להתמודד עם אי הוודאות המדידה.

היתרונות של שליטה הסתגלות ב Exoskeletons

השינוי לשליטה הסתגלותית מניב יתרונות קונקרטיים על בקרים קבועים קבועים, הן למשתמש והן למעצב המערכת.

סיוע אישי

לכל משתמש יש אורך גוף ייחודי, כוח שרירים ודפוסי הגהיט.שליטה הסתגלות באופן אוטומטי להתאים את פרופיל התמיכה לאדם.לדוגמה, היפ-knee-ankle exoskeleton יכול להתאים את היחס של הסיומת הירכיים ל-rque ל הברך כדי להתאים את אסטרטגיית ההסגרה של המשתמש לאחר מחקר שבץ באוניברסיטת מישיגן הראה כי ניתן להתאים 15% להליכה על ידי ירידה משמעותית לעומת עלייה של 30% על ידי ירידה של טיפול מטבולית מאשר הליכה.

בטיחות מוגברת

על ידי ניטור מתמיד של כוחות אינטראקציה ו זוויות משותפות, בקרים אדפטיים יכולים לזהות תנועות חריגות או אובדן איזון מתמשך ולהתאים את הסיוע דינמי.אם משתמש נתקל בתקלות, הבקר יכול להזיז את האקסוסטלטון כדי לספק תמיכה, או לרכך אותו כדי למנוע נזק משותף מהשפעות פתאומיות.זה הסתגלות מפחיתה את הסיכון של נפילות ופציעה, גורם קריטי עבור משתמשים קשישים או נוירולוגיים.

שיפור היעילות וצמצום השומן

שליטה הסתגלותית ממזערת את המאמץ של המשתמש בתנועות.עבור מלומדים תעשייתיים המשמשים הרמת ונושא, זה מתורגם לשיעור לב נמוך יותר ותפיסת פעילות. מחקרים מאוניברסיטת מינכן מוכיחים כי בקרים הסתגלותיים הלומדים את התזמון האופטימלי של כוחות סיוע יכול להפחית את העלות המטבולית של המשתמש עד 20% בהשוואה לתכנית סיוע קבוע.

תנועה טבעית ונוחות

בקרים לא רצויים לעתים קרובות לגרום exoskeleton להתנגד להצעה מרצון של המשתמש, המוביל לתחושה של "לחימה" המכשיר. אימפולסים הסתגלות לומדים להפחית את ההימנעות לכמעט אפס כאשר המשתמש יוזם תנועה, ולהגדיל את הדחף רק כאשר נדרשת תמיכה נוספת.

אתגרים בביצוע בקרת הסתגלות

למרות היתרונות ברורים, פריסת שליטה הסתגלותית ב אקסוקטונים בעולם האמיתי היא בעייתית עם אתגרים טכניים ומעשיים.

חיישנים Noise ו Variability

אותות ביולוגיים כמו EMG ו-EEG הם רועשים מאוד, כפופים להזעה, תנועה אלקטרודה, וחיישנים של כוח צוואר הרחם יכול לסחף, ו- IMUs לצבור שגיאות. אלגוריתמים הסתגלותיים שמבוססים על המדידות רועשות אלה חייבים לשלב סינון חזק והערכה אי הוודאות כדי למנוע חוסר יציבות.

אמת-זמן Computational Complexity

בקרים מתקדמים רבים, במיוחד אלה המשתמשים בלמידה חיזוק או בשליטה במודל, דורשים לפתור בעיות אופטימיזציה בשיעורים של 100-1000 הרץ.השגת זה על חומרה מוטבעת עם תקציבי חשמל הדוקים היא תחום פעיל של מחקר. Edge ו מאיצים רשת עצביים ייעודיים נחקרים כדי למנוע משימות חישוביות.

יציבות ושקיפות

הבטחת כי exoskeleton אדפטיבית תישאר יציבה תחת כל התנהגויות אפשריות של משתמשים היא מאתגרת מתמטית.חוק הסתגלות מעוצבת גרועה יכול להוביל להגביל מחזורים או אותות בקרה לא ממומשים, הצבת סיכונים בטיחותיים. שיטות מבוססות ליפסנוב לספק ערבויות פורמליות אבל עשוי להיות שמרני מדי כדי לנצל באופן מלא את הפוטנציאל של הביצועים של exoskeleton.

גורמי אנוש וקבלת משתמשים

מערכות הסתגלות יכולות להתנהג באופן לא צפוי במהלך שלב הלמידה, אשר עשוי לגרום למשתמשים מעוררי דאגה או להפחית את האמון. האקסוסקקלטון עשוי להתקשות או להירגע בפתאומיות כפי שהוא מעדכן את הפרמטרים שלו.עיצוב חוקי הסתגלות המתאחדים במהירות מבלי לגרום להתנהגות ארג'קי חיוני לקבלת משתמשים.

שיקולים אתיים והמשפטיים

חומרים מותאמים ל-Exoskeletons שמשנים את התנהגותם בהתבסס על מצב המשתמש מעלה שאלות על פרטיות (למשל איסוף נתונים ביומטריים), אחריות (שאחריה אם בקר מתאים לקוי?), והון (גישה למכשירים מתאימים יקרים). גופם של רגלטורי כמו ה- FDA ודורש בדיקות קפדניות עבור מכשירים רפואיים מתאימים, אשר יכול לעכב את כניסת השוק.

כיוונים עתידיים ומחקרים עתידיים

הדור הבא של exoskeletons הסתגלות ימנף התקדמות בחומרים, רגיש, ואינטליגנציה מלאכותית כדי להתגבר על המגבלות הנוכחיות.

ערפיליות ומוח - מיכון

EEG vasive EEG מכסה ואפילו אלקטרודות קוטוריות מושתלים יכול יום אחד לאפשר exoskeletons לפענח כוונה המשתמש ישירות אותות המוח. .בקרים הסתגלות כי צמידים פקודות עצביות עם פעילות שרירים ונתונים תנועה יכול להשיג תגובה חסרת תקדים.מחקר באוניברסיטת יוסטון הראה שליטה דלת פחמימות באמצעות אותות EEG בשבץ, עם אלגוריתמים אלגוריתמים אלגוריתמים עבור אותות בזמן.

Soft Robotics ו- Wearable טקסטיל

חליפות רכות שנעשו מכבלים ומבדים אלסטיים להפחית את האינטרטי ולסלק מפרקים קשיחים, המציעות יתרונות בנוחות ובבטיחות.שליטה הסתגלות של exoskeletons רכים חייב לקחת בחשבון התנהגות חומרית אנזוטרופית ומתח כבל משתנה.

Multimodal Sensing ו- Sensor Fusion

שילוב IMUs, EMG, חיישנים כוח ומצלמות עומק לתוך estimator המדינה מאוחדת יאפשר בקרים הסתגלות לבנות תמונה מדויקת יותר של כוונה המשתמש והקשר סביבתי.ד חיישן מבוסס למידה עמוק הוא גישה מבטיחה, אבל דורש נתונים גדולים ואימות זהיר כדי להימנע מהתאמה לתנאים ספציפיים.

אופטימיזציה אנושית-the-Loop

במקום להסתמך רק על חוקי הסתגלות מראש, exoskeletons עתידיים עשויים לאפשר למשתמשים לנקז את הפרמטרים של שליטה באמצעות ממשק פשוט (למשל, אפליקציית סמארטפון) המערכת תוכל ללמוד מההעדפות של המשתמש ולהתאים בהתאם. מסגרת הסתגלות שיתופית זו מכבדת את האוטונומיה של המשתמש ויכולה להאיץ את ההתכנסות לפרופיל סיוע אופטימלי.

מסקנה

בקרה הסתגלותית היא המפתח אשר פותח את מלוא הפוטנציאל של מכשירים exoskeleton, מה שהופך אותם ממכשירים קשיחים בגודל אחד - כל המכונות לעוזרים אישיים אינטליגנטיים מתפתחים עם המשקפיים שלהם. על ידי שילוב חיישנים מתקדמים, אלגוריתמים למידה, ומחוללים קושרים, מהנדסים יכולים ליצור אופטימיזציה יומיומית המספקת את כמות התמיכה הנכונה בזמן הנכון - שיפור מאמץ, בטיחות, שיפור איכות חיים וגמישות מתמשכת, תוך שמירה על ידי תאים עצביים, תוך כדי שיפור מתמיד, לחץ דם, תוך שמירה על איכות חיי אדם, לחץ דם, לחץ דם, ואפקטים מתקדמים, תוך כדי שיפור יעילות של חיי היומיום, תוך שמירה על ידי אבטחה, וגמישות, כמו גם לחץ דם מתקדם, לחץ דם, התקני אבטחה, התקני אבטחה גמישים, חיידק, חיידק, וגמישות, וגמישות, חיידקנות, וגמישות, חיידק, חיידקנות, חיידקנות, חיידקנות, הופך להיות יעיל, חיידקנות מתקדמת, חיידקנות מתקדמת, חיידקנות מתקדמת, הופך להיות יעיל, חיידקנות מתקדמת, ובסופו של אנשים מתקדמים, ובסופו של אבטחה גמישה, ובסופו של אבטחה גמישה, ובסופו של אבטחה גמישים, ובסופו של טיפול פסיכולוגי, ובסופו של טיפול פסיכולוגי, ובסופו של חיי

לקריאה נוספת בנושא זה, לחקור את המשאבים הבאים: FLT:0IEEE נייר על שליטה אימפולסיבית עבור לימוזינה נמוכה יותר לימוזינה 1,FLT:2 מאמר טבע על חיזוק למידה עבור סיוע הליכה exoskeletoning סיוע FLT 3: ו-FLT:4Frontiers סקירה על EEG מבוסס EEG skeulird:5tonFton5: