MétaCan
Menu
Retour à la cohorte
Enregistrement W2887893628 · doi:10.1017/s0263574718000723

Passive and active rehabilitation control of human upper-limb exoskeleton robot with dynamic uncertainties

2018· article· en· W2887893628 sur OpenAlexaff
Brahim Brahmi, Maarouf Saad, Cristóbal Ochoa-Luna, Philippe S. Archambault, Mohammad Habibur Rahman

Notice bibliographique

RevueRobotica · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueProsthetics and Rehabilitation Robotics
Établissements canadiensMcGill UniversityCentre for Interdisciplinary Research in RehabilitationÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésExoskeletonControl theory (sociology)Robustness (evolution)BacksteppingRobotComputer scienceBounded functionNonlinear systemController (irrigation)Robust controlTracking errorControl engineeringEngineeringAdaptive controlControl systemSimulationArtificial intelligenceControl (management)Mathematics

Résumé

récupéré en direct d'OpenAlex

SUMMARY This paper investigates the passive and active control strategies to provide a physical assistance and rehabilitation by a 7-DOF exoskeleton robot with nonlinear uncertain dynamics and unknown bounded external disturbances due to the robot user's physiological characteristics. An Integral backstepping controller incorporated with Time Delay Estimation (BITDE) is used, which permits the exoskeleton robot to achieve the desired performance of working under the mentioned uncertainties constraints. Time Delay Estimation (TDE) is employed to estimate the nonlinear uncertain dynamics of the robot and the unknown disturbances. To overcome the limitation of the time delay error inherent of the TDE approach, a recursive algorithm is used to further reduce its effect. The integral action is employed to decrease the impact of the unmodeled dynamics. Besides, the Damped Least Square method is introduced to estimate the desired movement intention of the subject with the objective to provide active rehabilitation. The controller scheme is to ensure that the robot system performs passive and active rehabilitation exercises with a high level of tracking accuracy and robustness, despite the unknown dynamics of the exoskeleton robot and the presence of unknown bounded disturbances. The design, stability, and convergence analysis are formulated and proven based on the Lyapunov–Krasovskii functional theory. Experimental results with healthy subjects, using a virtual environment, show the feasibility, and ease of implementation of the control scheme. Its robustness and flexibility to deal with parameter variations due to the unknown external disturbances are also shown.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,216
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations53
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRoboticaMême sujetProsthetics and Rehabilitation RoboticsTravaux en français237 207