Adaptive CPG-Based Gait Planning With Learning-Based Torque Estimation and Control for Exoskeletons
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this letter, a new adaptable gait trajectory shaping method is proposed for lower-limb exoskeletons by defining central pattern generators (CPGs). These CPGs are synchronized across different joints and updated online in response to the human users' physical behavior to enhance their safety and comfort. In this CPG structure of a high-level control scheme, an overall locomotion frequency is defined for all joint motions that can be modulated as a function of the human-robot interaction (HRI) energy. The amplitude and equilibrium position of oscillation for each joint can be adjusted in real-time based on the HRI torque. Logarithmic barrier functions are also formulated for these connected CPGs to avoid exceeding safe bounds of the joints' motion. A supervised learning algorithm is employed to identify the exoskeleton-limb dynamics and estimate the active HRI torque on different joints based on an autoregressive network with exogenous inputs (NARX) model. In order to track the reference trajectories generated by CPGs, a proportional derivative (PD) controller with torque compensation is designed. In the experimental evaluation of this intelligent control strategy, an able-bodied person wearing the Indego exoskeleton could amend and personalize the gait features considerably over a short period of time by applying active torques on different joints. In these experiments, the user increased the motion amplitude of the hip and knee joints up to 14% and made more than 200% variation in the gait frequency, which implies a considerable level of flexibility in locomotion planning for further user studies.
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.
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 découle