基于元学习的 exoskeletons 跨用户和任务运动适应
机器人学
2025-09-18 v1
摘要
可穿戴式外骨骼可以增强人类力量，减少特定任务中的肌肉疲劳。然而，开发能够实现个人化且对新情景具有通用性的辅助算法 remains 一个关键挑战。为此，提出一种元imitation学习方法。该方法利用特定于任务的神经网络预测人类肘部关节运动，从而实现有效的辅助，同时增强对新情景的泛化。为加快数据收集速度，从多个任务中从公开的RGB视频和motion-capture数据集中提取全身关键点运动，并在仿真环境中进行 retargeting。随后，使用在仿真中生成的肘屈曲轨迹在model-agnostic meta-learning（MAML）框架内训练特定于任务的神经网络，该框架使网络能够仅通过少量梯度更新即可快速适应新的任务和未见用户。适配后的网络输出的个人化参考信号由重力补偿PD控制器跟踪，以确保辅助稳定。实验结果表明，与在没有外骨骼辅助的情况下相比，外骨骼显著降低了新用户执行未训练任务时的肌肉激活和新陈代谢成本。这些发现表明，所提出的框架有效地提高了可穿戴式外骨骼系统的任务泛化性和用户适应性。
关键词
引用
@article{arxiv.2509.13736,
title = {Motion Adaptation Across Users and Tasks for Exoskeletons via Meta-Learning},
author = {Muyuan Ma and Long Cheng and Lijun Han and Xiuze Xia and Houcheng Li},
journal= {arXiv preprint arXiv:2509.13736},
year = {2025}
}