Autoren:  (1) Mohammad Shushtari, Fakultät für Maschinenbau und Mechatronik, University of Waterloo (smshushtari@uwaterloo.ca);  (2) Julia Foellmer, Fakultät Mechanik und Meerestechnik, Technische Universität Hamburg-Harburg (julia.foellmer@tuhh.de);  (3) Sanjay Krishna Gouda, Fakultät für Maschinenbau und Mechatronik, University of Waterloo und Toronto Rehabilitation Institute (KITE), University Health Network (arash.arami@uwaterloo.ca).  Linktabelle   Zusammenfassung und 1 Einleitung  2 Ergebnisse   2.1 Ursprünglich verarbeitete Daten für einen repräsentativen Teilnehmer   2.2 Gesamtleistungsanalyse   2.3 Interaktionsporträtanalyse   2.4 Individuelle Anpassungsstrategie  3 Diskussion   3.1 Anpassung des Menschen   3.2 Bedeutung der IP-Analyse   4 Fazit  5 Methoden   5.1 Strategien zur Vorwärtsregelung   5.2 Versuchsaufbau   5.3 Versuchsprotokoll   5.4 Datenanalyse   Erklärungen   Anhang A Ergänzende Beispieldaten   Anhang B Vergleich mit natürlichem Gehen   Verweise  Abstrakt  Die physische Interaktion zwischen Mensch und Roboter enthält wichtige Informationen zur Optimierung des Benutzererlebnisses, zur Verbesserung der Roboterleistung und zur objektiven Bewertung der Benutzeranpassung. Diese Studie stellt eine neue Methode zur Bewertung der Koadaption von Mensch und Roboter in Exoskeletten der unteren Extremitäten vor, indem Muskelaktivität und Interaktionsdrehmoment als zweidimensionale Zufallsvariable analysiert werden. Wir führen das Interaction Portrait (IP) ein, das die Verteilung dieser Variable in Polarkoordinaten visualisiert. Wir haben diese Metrik angewendet, um einen aktuellen Drehmomentregler (HTC) basierend auf kinematischem Zustandsfeedback und einen neuartigen Feedforward-Regler (AMTC) mit Online-Lernen, der hier vorgeschlagen wird, mit einem zeitbasierten Regler (TBC) beim Gehen auf einem Laufband bei unterschiedlichen Geschwindigkeiten zu vergleichen. Im Vergleich zu TBC senken sowohl HTC als auch AMTC die normalisierte Sauerstoffaufnahme der Benutzer erheblich, was auf eine verbesserte Benutzer-Exoskelett-Koordination hindeutet. Die IP-Analyse zeigt, dass diese Verbesserung auf zwei unterschiedliche Koadaptationsstrategien zurückzuführen ist, die allein durch herkömmliche Muskelaktivitäts- oder Interaktionsdrehmomentanalysen nicht identifizierbar sind. HTC ermutigt Benutzer, die Kontrolle dem Exoskelett zu überlassen, wodurch die Muskelanstrengung verringert wird, aber das Interaktionsdrehmoment erhöht wird, da das Exoskelett die Benutzerdynamik ausgleicht. Umgekehrt fördert AMTC die Benutzereinbindung durch erhöhte Muskelanstrengung und reduzierte Interaktionsdrehmomente und ist damit besser auf Rehabilitations- und Gangtrainingsanwendungen abgestimmt. Die IP-Phasenentwicklung bietet Einblicke in die Entwicklung der Interaktionsstrategie jedes Benutzers und zeigt das Potenzial der IP-Analyse beim Vergleichen und Entwerfen neuartiger Controller zur Optimierung der Mensch-Roboter-Interaktion in tragbaren Robotern.    : Exoskelett, physische Interaktion, Kontrolle Schlüsselwörter  1 Einleitung  Assistierende und rehabilitative Roboter gewinnen zunehmend an Bedeutung, da sie den Benutzern eine größere Dosis an Bewegung bieten, ihre Funktionalität und Lebensqualität verbessern und gleichzeitig die Arbeitsbelastung der Physiotherapeuten verringern [1, 2]. Trotz jüngster Fortschritte, einschließlich der Human-in-the-Loop-Optimierung zur Verbesserung der Exoskelettunterstützung [3–6], mangelt es diesen Robotersystemen immer noch an der Raffinesse, um das erforderliche Unterstützungsniveau für jeden einzelnen Benutzer automatisch und effektiv anzupassen [7, 8]. Diese personalisierte Berührung, die für Physiotherapeuten in traditionellen Therapiesitzungen instinktiv ist, bleibt für Roboter eine Herausforderung. Die Herausforderung entsteht, weil zwar separate Leistungsindikatoren wie metabolischer Aufwand [9, 10], Muskelaktivierung [11], Interaktionskräfte [12], Komfort [13], kognitive Belastung [14] und Benutzerpräferenz [15] verwendet werden, das Fehlen einer einheitlichen Metrik, die die Nuancen der physischen Mensch-Roboter-Interaktionen vollständig erfasst, die präzise Anpassung und Personalisierung der Exoskelettunterstützung der unteren Gliedmaßen behindert [16]. Daher wird diese Aufgabe häufig an adaptive Controller delegiert, die implizit die Steuerung der physischen Interaktion zwischen Mensch und Exoskelett berücksichtigen. Die Steuerung der Interaktion zwischen Mensch und Exoskelett spielt eine Schlüsselrolle bei der Optimierung des Benutzererlebnisses und der Leistung von Exoskeletten für die unteren Gliedmaßen in der Rehabilitation sowie bei Anwendungen zur Kraftverstärkung [17]. In Szenarien zur Kraftverstärkung behält der Benutzer seine volle Autonomie und das Exoskelett befolgt Benutzerbefehle direkt oder indirekt, indem es die beabsichtigte Bewegung interpretiert. Bei Meinungsverschiedenheiten zwischen Benutzer und Exoskelett muss das Exoskelett die Kontrolle zugunsten des Benutzers abgeben [18, 19]. Im Kontext von Rehabilitations- und unterstützenden Exoskeletten ist die Steuerung der Interaktion zwischen Mensch und Exoskelett jedoch aufgrund zweier Hauptfaktoren anspruchsvoller. Erstens ist die vom Benutzer ausgeführte Bewegung aufgrund von muskuloskelettalen oder motorischen Beeinträchtigungen nicht immer zuverlässig [20], was die Qualität der dekodierten Absicht beeinträchtigen kann, die ausschließlich auf der physischen Interaktion zwischen Benutzer und Roboter beruht. Zweitens sollte das Exoskelett den Benutzer ermutigen, sich möglichst intensiv an der Bewegung zu beteiligen, und ihn unterstützen oder korrigieren, wenn er die Bewegung nicht korrekt ausführen kann [21, 22]. Folglich muss das Exoskelett nahtlos zwischen der Führungs- und der Folgerolle wechseln können [23].  Um die geeignete Steuerungsstrategie für Anwendungen zur menschlichen Augmentation und Rehabilitation zu bestimmen, ist es entscheidend, die Anpassung von Mensch und Exoskelett als Indikator dafür zu verstehen, wie Individuen auf bestimmte Exoskelett-Steuerungsstrategien in Bezug auf die gemeinsame Bewegungssteuerung reagieren [24]. Bei der Kraftverstärkung besteht das Idealszenario darin, dass sich Benutzer an eine Strategie anpassen, bei der sie hauptsächlich durch die Steuerung der Bewegung beitragen, ohne körperliche Anstrengung [5]. Das Exoskelett übernimmt die Verantwortung für die Bewegung des menschlichen Körpers, indem es Interaktionsdrehmomente oder -kräfte auf den menschlichen Körper ausübt, was sich in einer verringerten Muskelaktivität oder Stoffwechselrate zeigt [4]. Umgekehrt müssen Benutzer bei der Rehabilitation häufig angeleitet werden, ihre Muskelaktivität zu erhöhen und aktiv an der Bewegungssteuerung teilzunehmen [25]. Die Interaktionsdrehmomente zwischen Mensch und Exoskelett weisen in diesem Zusammenhang ein duales Verhalten auf. Wenn der Benutzer die Bewegung korrekt ausführt, muss das Exoskelett dem Benutzer transparent folgen, was zu null Interaktionsdrehmomenten führt [12]. Wenn jedoch eine Bewegungskorrektur erforderlich ist, sollte der Exoskelett-Controller eingreifen. Dieser Eingriff erzeugt einen Konflikt, der eine Erhöhung des Interaktionsdrehmoments zur Korrektur der Bewegung erforderlich macht. Weder Muskelanstrengung noch Interaktionsdrehmomente allein können die oben genannten Bedingungen erkennen. Eine Zunahme der Muskelanstrengung kann beispielsweise folgende Ursachen haben:   von der Unstimmigkeit zwischen Mensch und Exoskelett [20], während es auch bedeuten kann, dass der menschliche Benutzer geht und sich dabei auf seine Motorik verlässt statt auf die Unterstützung des Exoskeletts. Um in solchen Fällen verschiedene Controller zu vergleichen, muss daher neben der Muskelanstrengung auch das Interaktionsdrehmoment berücksichtigt werden. Ein niedriges Interaktionsdrehmoment gepaart mit höherer Muskelanstrengung deutet auf keine physische Unstimmigkeit hin, was bedeutet, dass das Exoskelett dem Benutzer folgt und der Benutzer mit minimaler Unterstützung geht. Andernfalls weist ein höheres Interaktionsdrehmoment zusammen mit hoher Muskelanstrengung darauf hin, dass Benutzer und Exoskelett nicht dieselben gewünschten Bewegungsmuster haben und um die Kontrolle kämpfen [23]. Um die Eignung eines Controllers für Kraftverstärkungs- oder Rehabilitationsanwendungen zu bestimmen, ist daher eine gemeinsame Analyse von Muskelanstrengung und Interaktionsdrehmoment erforderlich.   Dieses Dokument ist   . auf arxiv unter der Lizenz CC BY-NC-ND 4.0 DEED verfügbar

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

EXOSELF.tech

Exoself fuses technology and soul, amplifying abilities, and redefining limits, where the self evolves beyond boundaries

Neue Studie zeigt, dass sich Exoskelette jetzt an Sie anpassen, nicht umgekehrt

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps