通过学习减少生物学关节力矩的外骨骼控制

数据驱动的关节力矩预测器为生物力学估计和外骨骼控制提供了可扩展的替代方案，无需实验室中的逆动力学流程。同时，基于物理的强化学习（RL）使仿真训练的控制器能够在不进行大量人类实验的情况下学习动力学感知的帮助策略。然而，对仿真训练的外骨骼扭矩预测器的定量验证，以及其对人体关节功率注入的影响，仍有限。本文提出了 (1) 一个学习减少生物学关节力矩的外骨骼帮助策略的 RL 框架，和 (2) 一个验证通过推断和与生物学关节力矩比较来验证训练控制网络的管道。针对平地行走和坡道行走，开发了仿真训练的多层感知器（MLP）控制器，将双侧髋关节和膝关节的 kinematics 短期历史映射到标准化帮助扭矩。结果表明，预测的帮助维持了任务强度在不同速度和坡度下的趋势。尤其在髋关节处，交叉相关系数在 1.8 m/s 时达到 0.94，在 5{\deg} 下坡行走时达到 0.98，显示出接近匹配的时间结构。较高速度和更陡倾斜面的差异尤其在膝关节处增加，在关节功率比较中更为显著。延迟调节倾向于增加正功率注入；适度的时间位移增加正功率并在特定步态区间内改善一致性。总体而言，这些结果建立了一个用于仿真训练外骨骼控制器的定量验证框架，展示了在扭矩水平上的强仿真至数据一致性，并突显了仿真至现实转移的前景与剩余挑战。