Harnessing Biomechanical Energy Using Shoulder Exoskeleton: Electrical Energy Regeneration
Notice bibliographique
Résumé
Abstract Implementing back-drivable actuators with energy regeneration capabilities can improve the efficiency and extend the battery life of robotic exoskeletons, by converting a portion of dissipated energy during negative mechanical work into electrical energy. We present the first study of the regeneration capabilities of shoulder exoskeletons, which includes experimental motor parameter identification, the development of an electromechanical upper-limb human-exoskeleton model for energy regeneration, and task-based experiments assessing real-world energy generation despite inherent motor limitations. Initial steps involve motor parameter identification using a joint dynamometer system and modeling of the human-exoskeleton system with a specific emphasis on energy regeneration in the shoulder region. Task-based experiments were conducted to evaluate energy regeneration during daily exoskeleton usage. Our experimental identification reveals that the regenerated current follows a third-degree polynomial relationship with joint angular speed. Task-based simulations indicate that electrical energy recovery ranges from 30.4μJ during slow motions to 1.02 mJ during very fast movements. Efficiency analysis shows that performance peaks at approximately 60deg/s, where the trade-off between increased current generation and rising frictional losses is optimized. Despite challenges such as limited electricity generation due to motor characteristics, our findings demonstrate the feasibility of energy regeneration in shoulder exoskeletons, albeit with certain constraints.
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 ».