基于人类偏好的外骨骼行走步态高维优化学习
机器人学
2020-08-11 v2 人机交互
机器学习
摘要
优化下体外骨骼行走步态以提升用户舒适度，需要理解用户在高维步态参数空间上的偏好。然而，受计算限制，现有基于偏好的学习方法仅探索了低维域。为在高维中学习用户偏好，本文提出 LineCoSpar，一种人在回路的基于偏好的框架，通过迭代探索一维子空间来实现多参数优化。此外，本文识别了刻画跨用户广泛偏好的步态属性。在仿真与人因试验中，我们实证验证了 LineCoSpar 是一种样本高效的高维偏好优化方法。对实验数据的分析揭示了人类偏好与动态性客观度量之间的对应关系，同时也凸显了个体用户步态偏好背后效用函数的差异。该结果对外骨骼步态综合具有启示意义，后者是一个活跃领域，在临床应用与患者康复方面有广泛前景。
引用
@article{arxiv.2003.06495,
title = {Human Preference-Based Learning for High-dimensional Optimization of Exoskeleton Walking Gaits},
author = {Maegan Tucker and Myra Cheng and Ellen Novoseller and Richard Cheng and Yisong Yue and Joel W. Burdick and Aaron D. Ames},
journal= {arXiv preprint arXiv:2003.06495},
year = {2020}
}
备注
8 pages, 9 figures, 2 tables, to appear at IROS 2020