Autonomous Assistance-as-Needed Control of a Lower Limb Exoskeleton With Guaranteed Stability
Notice bibliographique
Résumé
The use of exoskeletons for clinical lower-limb stroke rehabilitation offers the potential of improved and customized rehabilitation that reduces the requirements and demands placed on multiple staff members. Initial research with lower-limb exoskeletons show potential to alleviate this problem. Conventional assistance-based exoskeleton devices simply enforce the desired gait trajectory for the patient in order to ensure safety and stability. Unfortunately, if the end-user does not have to work to contribute to successful motion, rehabilitation often does not occur. Recent evidence has suggested that assistance-as-needed control prevents users from slacking, facilitating functional motor recovery. Assistance-as-needed control turns off assistive torques during periods when the patient is able to execute a desired gait pattern but if the patients gait deviates sufficiently from a desired trajectory then assistive torques are generated to compensate for the patients loss of strength. This strategy encourages the patient to contribute effort while still enabling the exoskeleton to guide movements. Assistance-as-needed control inherently leads to aperiodic gait patterns and has accordingly been difficult to employ in lower-limb exoskeletons due to the need to ensure stability. This work demonstrates how virtual constraint control-a method with robust stability properties used in prostheses and assistive exoskeletons control-can be combined with a velocity-modulated deadzone to ensure stability. Simulations suggest that the method can accommodate a large deadzone while remaining stable across a range of unanticipated gait pathologies, as demonstrated using Lorenz mappings that can accommodate the aperiodic nature of the resulting gait.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».