基于强化学习的痉挛状态下外骨骼自适应力矩控制

痉挛是脑瘫、遗传性痉挛性截瘫、脊髓损伤和脑卒中患者常见的运动障碍症状，也是这些疾病进展中最具致残性的特征之一。尽管使用可穿戴机器人治疗痉挛具有潜在益处，但目前不建议将其用于改良 Ashworth 量表痉挛等级在 ${1^+}$ 以上的受试者。这种依赖于速度的强直牵张反射的动态变化使得部署安全的个性化控制器变得困难。在此，我们描述了一种用于痉挛关节条件下膝关节外骨骼的新型基于深度强化学习 (RL) 的自适应力矩控制器，该控制器兼顾了任务表现和交互力的降低。为了训练 RL 智能体，我们开发了一个数字孪生模型，其中包括一个带有关节不对中的肌肉骨骼-外骨骼系统，以及一个用于肌肉激活的可微痉挛反射模型。模拟的膝关节伸展运动结果表明，该智能体能够学会为不同痉挛程度的个体控制外骨骼。与传统的柔顺控制器相比，所提出的控制器在痉挛条件下施加于人体关节的最大力矩平均降低了 10.6%，到达稳态前的均方根值降低了 8.9%。