从治疗师-外骨骼-患者交互中学习治疗师策略
机器人学
2026-03-04 v1
摘要
中风后康复对于患者恢复正常步态通常是必要的。然而，典型的治疗过程对治疗师来说可能既费力又消耗体力，这可能会随着时间的推移降低治疗的强度、持续时间和一致性。我们提出了一个患者-治疗师力场（PTFF）来可视化治疗师对患者运动学的响应，以及一个合成治疗师（ST）机器学习模型来支持治疗师在双人机器人介导的物理交互治疗中的工作。前者使用变分自编码器（VAE）将患者和治疗师的步态运动学编码到一个共享的低维潜在流形中，并通过高斯混合模型（GMM）对其交互进行建模，该模型学习一个将患者潜在状态映射到治疗师响应的概率向量场。这种表示可视化患者-治疗师交互动力学，为治疗策略和机器人控制器设计提供信息。后者实现为一个长短期记忆（LSTM）网络，该网络在患者-治疗师交互数据上训练，以根据患者运动学预测治疗师施加的关节扭矩。该模型使用留一法交叉验证在八名中风后患者身上进行训练和验证，并集成到一个基于ROS的外骨骼控制器中，以根据预测的治疗师响应生成实时扭矩辅助。离线结果和初步测试表明，它们有潜力作为中风后外骨骼治疗的替代方法。PTFF提供了对治疗师行为的理解，而ST则将人类治疗师从外骨骼中解放出来，使他们能够持续监测患者的细微状况。
引用
@article{arxiv.2603.02458,
title = {Learning Therapist Policy from Therapist-Exoskeleton-Patient Interaction},
author = {Grayson Snyder and Lorenzo Vianello and Levi Hargrove and Matthew L. Elwin and Jose Pons},
journal= {arXiv preprint arXiv:2603.02458},
year = {2026}
}
备注
Accepted at IEEE International Conference on Robotics and Automation (ICRA 2026)