Adaptive and Neural Network-based Control Methods Comparison using different Human Torque Synthesis for Upper-limb Robotic Exoskeletons
Notice bibliographique
Résumé
The unprecedented and exponentially growing global senior population is creating an exorbitant and unmet demand for physical rehabilitation. Telerehabilitation with robotic exoskeletons is an emerging, and compelling complementary rehabilitation modality. Some challenges are to overcome the effects of dynamic modeling uncertainties and ensure good tracking performance, stability, safe and compliant motion, and a high degree of telepresence between the two remotely-separated human-robot systems in the presence of nonlinearities, human torques, and communication constraints such as time delays. Two control methods were developed: Adaptive Robust Integral Impedance model (ARII) control and Adaptive Robust Integral Radial Basis Function Neural Networks-based Impedance model (RBFNN-I) control. Both methods implement compliant behaviour using an adjustable impedance model and revealed desirable performance. A novel human torque regulator (HTR) was developed, which provides higher fidelity telepresence for the therapist compared to existing methods to enhance the safety and perception of the closed-loop physical interaction. Unilateral and bilateral simulations were carried out using two-degrees-of-freedom (2-DOF) exoskeletons models and experiments were performed using single-joint robots. Excellent tracking performance, telepresence, and stability was achieved in the presence of large, variable and asymmetric time delays and human torques under numerous parameters variations.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».