Adaptive Torque Control of Exoskeletons under Spasticity Conditions via Reinforcement Learning

要約

痙縮は、脳性麻痺、遺伝性痙性対麻痺、脊髄損傷、脳卒中の個人における一般的な運動障害の症状であり、これらの疾患の進行で最も障害のある特徴の1つです。
ウェアラブルロボットを使用して痙縮を治療する潜在的な利点にもかかわらず、修正されたアシュワーススケールで$ {1^+} $を超えるレベルの痙縮のある被験者には現在、それらの使用は推奨されていません。
この速度依存性の強壮剤反射のさまざまなダイナミクスにより、安全なパーソナライズコントローラーの展開が困難になります。
ここでは、タスクのパフォーマンスと相互作用力の削減を説明する関節の痙縮条件下での膝の外骨格のディープ補強学習（RL）を介した新しい適応トルクコントローラーについて説明します。
RLエージェントを訓練するために、関節の不整合と筋肉の活性化のための微分可能な痙攣性反射モデルを備えた筋骨格 – エキソスケレトンシステムを含むデジタルツインを開発しました。
シミュレートされた膝伸展運動の結果は、エージェントが異なるレベルの痙縮のある個人の外骨格を制御することを学ぶことを示しました。
提案されたコントローラーは、痙性条件下で人間の関節に平均10.6 \％で適用された最大トルクを減らし、従来の準拠コントローラーと比較して沈降時間を8.9 \％まで減少させることができました。

要約(オリジナル)

Spasticity is a common movement disorder symptom in individuals with cerebral palsy, hereditary spastic paraplegia, spinal cord injury and stroke, being one of the most disabling features in the progression of these diseases. Despite the potential benefit of using wearable robots to treat spasticity, their use is not currently recommended to subjects with a level of spasticity above ${1^+}$ on the Modified Ashworth Scale. The varying dynamics of this velocity-dependent tonic stretch reflex make it difficult to deploy safe personalized controllers. Here, we describe a novel adaptive torque controller via deep reinforcement learning (RL) for a knee exoskeleton under joint spasticity conditions, which accounts for task performance and interaction forces reduction. To train the RL agent, we developed a digital twin, including a musculoskeletal-exoskeleton system with joint misalignment and a differentiable spastic reflexes model for the muscles activation. Results for a simulated knee extension movement showed that the agent learns to control the exoskeleton for individuals with different levels of spasticity. The proposed controller was able to reduce maximum torques applied to the human joint under spastic conditions by an average of 10.6\% and decreases the root mean square until the settling time by 8.9\% compared to a conventional compliant controller.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google