基于偏好的外骨骼步态优化学习
机器人学
2020-05-27 v3
摘要
本文提出一个面向下肢外骨骼的个性化步态优化框架。与优化诸如运输机械代价等数值目标不同，我们的方法直接从用户偏好（例如舒适度）中学习。基于偏好式交互学习方面的工作，我们提出 CoSpar 算法。CoSpar 提示用户对试验给出成对偏好并提出改进建议；由于外骨骼行走是一种非直观行为，用户可比数值反馈更轻松、更可靠地提供偏好。我们展示了 CoSpar 在仿真中具有竞争力，并演示了 CoSpar 在下肢外骨骼上的原型实现，以优化人类行走轨迹特征。在实验中，CoSpar 持续找到了用户偏好的外骨骼行走步态参数，这表明它是使外骨骼（或其他辅助设备）适应并个性化于个体用户的一个有前景的起点。
引用
@article{arxiv.1909.12316,
title = {Preference-Based Learning for Exoskeleton Gait Optimization},
author = {Maegan Tucker and Ellen Novoseller and Claudia Kann and Yanan Sui and Yisong Yue and Joel Burdick and Aaron D. Ames},
journal= {arXiv preprint arXiv:1909.12316},
year = {2020}
}
备注
To appear at ICRA 2020