Learning Task-adaptive Quasi-stiffness Control for A Powered Transfemoral Prosthesis

要約

動力付き経大腿義足の機械的およびタスク固有のコントローラー設計では大幅な進歩が見られましたが、さまざまな移動モードや地形条件にわたって一般化するタスク適応型制御フレームワークの開発は未解決の問題のままです。
この研究では、トルクと角度の関係の再構築部分と擬似剛性コントローラの設計部分を含む、タスク全体を一般化する電動義足用のタスク適応型学習擬似剛性制御フレームワークを提案します。
準剛性は、人間の関節のトルクと角度の関係の傾きとして定義されます。
新しいタスクのトルクと角度の関係を正確に取得するために、ガウス過程回帰 (GPR) モデルが導入され、タスクにおける人間の関節の角度とトルクの目標特徴が予測されます。
次に、カーネル化動作プリミティブ (KMP) を使用して、複数の人によるデモンストレーションと推定されたターゲットの特徴から新しいタスクのトルクと角度の関係を再構築します。
新しいタスクのトルクと角度の関係に基づいて、電動プロテーゼ用の擬似剛性制御アプローチが設計されます。
最後に、提案されたフレームワークは、さまざまな速度や傾斜歩行タスクなどの実際の例を通じて検証されます。
提案された枠組みは、経大腿切断患者の日常生活におけるさまざまな歩行課題に拡張される可能性があります。

要約(オリジナル)

While significant advancements have been made in the mechanical and task-specific controller designs of powered transfemoral prostheses, developing a task-adaptive control framework that generalizes across various locomotion modes and terrain conditions remains an open problem. This study proposes a task-adaptive learning quasi-stiffness control framework for powered prostheses that generalizes across tasks, including the torque-angle relationship reconstruction part and the quasi-stiffness controller design part. Quasi-stiffness is defined as the slope of the human joint’s torque-angle relationship. To accurately obtain the torque-angle relationship in a new task, a Gaussian Process Regression (GPR) model is introduced to predict the target features of the human joint’s angle and torque in the task. Then a Kernelized Movement Primitives (KMP) is employed to reconstruct the torque-angle relationship of a new task from multiple human demonstrations and estimated target features. Based on the torque-angle relationship of the new task, a quasi-stiffness control approach is designed for a powered prosthesis. Finally, the proposed framework is validated through practical examples, including varying speed and incline walking tasks. The proposed framework has the potential to expand to variable walking tasks in daily life for the transfemoral amputees.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google