Virtual Force-Field Safety Net for Variable Passive Elastic Leg Joint Limits with a Gait Rehabilitation Robot
Notice bibliographique
Résumé
Gait rehabilitation robots typically focus on guiding patients through predefined average gait trajectories to facilitate motor learning and have the patients regain their ability to walk through repetitive, high intensity, and cognitively engaging therapy. More recently, virtual environments and visual feedback have been adopted by research platforms with foot-plate based interfaces that can provide force feedback similar to upper-extremity graspable haptic interfaces [1]. The Virtual Gait Rehabilitation Robot (ViGRR) [2], developed at Carleton University's Advanced Biomechatronics and Locomotion Laboratory, is one such device that can administer interactive virtual tasks and gamification of rehabilitation exercise for bedridden patients. In order to ensure the comfort and safety of the user while maintaining a large workspace for various lower-extremity exercises, a force-field safety strategy was developed for the ViGRR platform to prevent hyper extension or flexion. This force-field scheme was implemented in simulation to demonstrate how it can safely allow for a larger workspace compared to fixed Cartesian space or leg joint limits. A calibration methodology was also implemented. The typical approach to preventing hyper extension or flexion is to inhibit leg joint angles based on predefined user limits or to have detachable interfaces and harness systems in case of falls [3]. However, this approach is problematic due to passive restoring leg joint torques caused by proprioceptive responses that protect muscles and tendons in the leg from injury, limit the range of motion in each joint, and are dependent on other joint angles in the leg [4]. For example, a selected minimum knee joint flexion of 20 degrees while the hip is flexed would inhibit standing and render a sit-to-stand exercise task impossible to perform. Alternatively, constraining each task to a time-varying trajectory violates the desired neurorehabilitation therapy paradigm where the patient should be self-initiating movements, in charge, and engaged. The proposed solution is to mimic the biomechanics of passive elastic joint torques in the leg. A new force-field function that amplifies a restoring leg torque model mapped to the end effector is introduced. Two methods of calibrating the leg models are applied: the first involves a position-controlled trajectory of the leg and a non-linear optimization of the passive leg joint torque parameters; the second method involves measuring self-reported static joint limits of the user before donning the robot in order to fully characterize exponential restoring joint torque curves. The safety force-field was tested in simulation with an anthropometric leg model falling while interacting with ViGRR and a virtual environment. Preliminary results show that the presented force-field safety concept is viable for further study with ViGRR and may be adopted by other platforms such as exoskeletons for safer physical human-robot integration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».