Human-Machine Co-Adaptation for Robot-Assisted Rehabilitation via Dual-Agent Multiple Model Reinforcement Learning (DAMMRL)

要約

この研究では、複数モデル適応制御 (MMAC) と共適応制御戦略を活用したデュアルエージェント複数モデル強化学習 (DAMMRL) フレームワークを提案することにより、ロボット支援足首リハビリテーションへの新しいアプローチを紹介します。
ロボット支援リハビリテーションでは、人間の認知と生理学的システムが複雑であるため、人間の行動をモデル化することが重要な課題の 1 つです。
従来の単一モデルのアプローチでは、人間とマシンの相互作用のダイナミクスを捉えることができないことがよくあります。
私たちの研究では、さまざまなレベルの患者の能力に合わせて、リハビリテーション作業中の複雑な人間の反応を近似するために単純なサブモデルを使用する複数のモデル戦略を採用しています。
提案されたシステムの多用途性は、実際の実験とシミュレートされた環境で実証されます。
13 人の健康な若い被験者を対象に実現可能性と可能性が評価され、アプローチの予想される利点を裏付ける有望な結果が得られました。
この研究は、ロボット支援による足首リハビリテーションの新しいパラダイムを導入するだけでなく、適応的で患者中心の治療介入における将来の研究への道を開くものでもあります。

要約(オリジナル)

This study introduces a novel approach to robot-assisted ankle rehabilitation by proposing a Dual-Agent Multiple Model Reinforcement Learning (DAMMRL) framework, leveraging multiple model adaptive control (MMAC) and co-adaptive control strategies. In robot-assisted rehabilitation, one of the key challenges is modelling human behaviour due to the complexity of human cognition and physiological systems. Traditional single-model approaches often fail to capture the dynamics of human-machine interactions. Our research employs a multiple model strategy, using simple sub-models to approximate complex human responses during rehabilitation tasks, tailored to varying levels of patient incapacity. The proposed system’s versatility is demonstrated in real experiments and simulated environments. Feasibility and potential were evaluated with 13 healthy young subjects, yielding promising results that affirm the anticipated benefits of the approach. This study not only introduces a new paradigm for robot-assisted ankle rehabilitation but also opens the way for future research in adaptive, patient-centred therapeutic interventions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google