Simulating human-in-the-loop optimization of exoskeleton assistance to compare optimization algorithm performance
Notice bibliographique
Résumé
Abstract Assistive robotic devices like exoskeletons offer the promise of improving mobility for millions of people. However, developing devices that improve an objective mobility metric is challenging. Human-in-the-loop optimization is a systematic approach for personalizing robotic assistance to maximize a mobility metric that has improved device performance for different metrics and applications. Successfully performing human-in-the-loop optimization requires the experimenter to make many decisions, like selecting the appropriate optimization algorithm, hyperparameters, and convergence criteria. Typically, selecting these experimental settings involves pilot experimentation. We propose an approach that uses a probabilistic surrogate model, mapping assistance parameters to corresponding experimental evaluations of the objective mobility metric, to simulate human-in-the-loop optimization and inform these decisions. In this paper, we form a surrogate model of the metabolic landscape of walking with exoskeleton assistance using an existing experimental dataset. We simulate human-in-the-loop optimization by using a synthetic metabolic landscape model to evaluate the metabolic cost of walking with different assistance parameters, instead of performing an experimental measurement. We perform three simulated scenarios optimizing assistance for an expert subject, a novice subject adapting to the device, and an expert subject with up to 20 assistance parameters. The code and analyses from this work are open-source to promote use by other researchers. Simulation enables direct comparison of optimization settings to inform experimental human-in-the-loop optimization and potentially reduce the resources and time required to develop effective assistive devices.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».