Human and Passive Lower-Limb Exoskeleton Interaction Analysis: Computational Study with Dynamics Simulation using Nonlinear Model Predictive Control
Notice bibliographique
Résumé
Forward dynamics simulations have the advantage of assessing performance of novel exoskeleton designs at a low cost. For developing a new passive lower-limb exoskeleton, the simulation needs to represent the sitting posture in which the wearer performs working tasks while maintaining balance with the whole body. The present study constructed a forward dynamics simulation for analyzing and developing a new passive lower-limb exoskeleton; the validity of the simulation was investigated using experimental data. The present method computes the interactions between the exoskeleton and wearer, such as reaction forces, physical posture, and physical load, based on the forward dynamics simulation driven by nonlinear model predictive control (NMPC). The NMPC cost function consisted of the physical load and the fitness of working task with constraints to evaluate balance. As a result, the present simulation represented the characteristic posture when sitting on the exoskeleton in which the wearer performs the working task while maintaining balance with the whole body. However, the simulation computed an upright posture of the lumbar joint that differed from the experimental results and needs to be improved. In future work, the simulation will be modified for representing the valid physical posture when wearing the exoskeleton, such as simulating the physical motion of the same working task as in the experiment, and modeling the interaction between the human, exoskeleton, and ground.
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 ».