Neural-Dynamics Optimization and Repetitive Learning Control for Robotic Leg Prostheses
Notice bibliographique
Résumé
Rapid development in robotics and bionics makes it possible for robotic leg prostheses to help amputees while imposing challenges on duplicating the motion characteristics of the amputees’ healthy leg. One critical problem in prosthetic control is joint angle drift problem, that is, a repetitive motion trajectory in task space cannot guarantee that the generated motion trajectories in joint space are also repetitive. In order to solve this problem, in this article, we propose neural-dynamics optimization for robotic leg prostheses to generate the repetitive joint trajectories in real time. Our proposed method duplicates the self-selected walking speed of the amputees’ healthy leg. The online motion generation is formulated as a constrained quadratic programming (QP) optimization problem whose objective function adopts the kinetic energy and joint displacement performance criterion. The varying parameter convergent differential neural network is developed as a real-time QP solver which can globally converge to the optimal solution of the constrained QP problem. Then, a repetitive learning controller is designed for robotic leg prostheses to reduce the tracking errors while following the repetitive motion. Through the physical experiments on the developed two-degree-of-freedom robotic leg prosthesis worn on an amputee, the neural-dynamics optimization is substantiated to be a remedy of online motion generation, and the effectiveness of repetitive learning control for reducing the prosthetic tacking errors is verified.
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) | 0,000 | 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 ».