Tədqiqat, yeddi sərbəstlik dərəcəli insan aşağı ətraf ekzoskelet robotunun oynaq momentlərini real vaxt idarəetməsinə uyğun şəkildə proqnozlaşdırmaq üçün fizika əsaslı verilənlərlə öyrədilmiş dərin neyron şəbəkəsi və qalıq izləmə xətalarını düzəldən PD əks-əlaqə nəzarətçisindən ibarət hibrid bir quruluş hazırlayır. Robotun analitik dinamik modelindən istifadə edilərək əvvəlcə 43.560.880 verilən nümunəsi yaradılmış, verilənlərin miqdarı onda birə endirilərək şəbəkə 4.356.088 nümunə ilə öyrədilmişdir. Hazırlanan şəbəkə 23 giriş dəyişənini yeddi oynaq momentinə xəritələyir; üç gizli qatda müvafiq olaraq 21, 14 və 7 neyron, çıxış qatında isə 7 neyron istifadə olunur. Simulyasiya müqayisələrində DNN–PD nəzarətçisi computed torque, model reference computed torque, sliding mode, adaptive və LQR nəzarətçiləri ilə eyni robot dinamikası altında aşağı trayektoriya izləmə xətaları yaratmışdır. Lakin nəticələrin hamısı modelləşdirmə və simulyasiyaya əsaslanır; fiziki ekzoskelet və ya insan iştirakçı üzərində real vaxt aparat təsdiqi aparılmamışdır.

İşin əsas yanaşması robotun kütlə matrisini, Koriolis–mərkəzdənqaçma təsirlərini, cazibə qüvvəsini və digər qeyri-xətti dinamikalarını hər idarəetmə dövründə analitik şəkildə yenidən hesablamaq əvəzinə, bu giriş–çıxış əlaqəsini əvvəlcədən öyrədilmiş dərin neyron şəbəkəsi ilə təxmini şəkildə təmsil etməkdir. Şəbəkə tələb olunan yeddi oynaq mövqeyi, sürəti və təcili ilə istifadəçinin boy və çəki məlumatlarından istifadə edərək lazım olan yeddi oynaq momentini proqnozlaşdırır. DNN çıxışı irəli qidalanma momenti kimi tətbiq edilərkən, PD nəzarətçisi modelləşdirmə və proqnoz xətalarına qarşı əks-əlaqə düzəlişi təmin edir.

Məqalədəki idarəetmə müqayisəsinə görə təklif olunan hibrid DNN–PD üsulu həm ardıcıl, həm də eyni vaxtlı oynaq hərəkətlərində bütün oynaqlar üçün 1°-dən aşağı xəta yaratmışdır. Cədvəl 6-da ardıcıl hərəkətlərdə hibrid nəzarətçinin ən yüksək xəta dəyəri dördüncü oynaqda 0,1115°; Cədvəl 7-də eyni vaxtlı hərəkətlərdə isə ən yüksək dəyər birinci oynaqda 0,1181° verilmişdir. Bununla belə, eyni məqalənin əvvəlki simulyasiya bölməsində təxminən 0,26°-yə çatan başqa maksimum xəta dəyərləri də bildirildiyindən, bu iki nəticə dəsti bir-birindən ayrı qiymətləndirilməlidir.

Türkiyə baxımından qiymətləndirmə: İşin yanaşması Türkiyədə reabilitasiya robotları, geyilə bilən robototexnika, mexatronika, süni intellekt dəstəkli hərəkət idarəetməsi və çox sərbəstlik dərəcəli robot sistemləri üzrə tədqiqatlar baxımından metodoloji dəyər daşıya bilər. Xüsusilə fizika əsaslı simulyasiya verilənlərinin dərin öyrənmə üçün təlim verilənlərinə çevrilməsi, analitik robot modeli ilə verilənlərə əsaslanan idarəetmənin bir-birinin alternativi deyil, bir-birini tamamlayan komponentlər kimi istifadə oluna biləcəyini göstərir. Lakin iş Türkiyədə hər hansı populyasiya üzərində aparılmamış, fiziki xəstə reabilitasiyası qiymətləndirilməmiş və real aparat təhlükəsizliyi sınaqdan keçirilməmişdir. Buna görə nəticələrdən klinik effektivlik, xəstə performansı və ya birbaşa səhiyyə tətbiqi çıxarıla bilməz.

Tədqiqatın həll etməyə çalışdığı problem nədir?

Çox sərbəstlik dərəcəli robotlarda dinamik idarəetmə robotun hərəkəti zamanı dəyişən ətalət, cazibə qüvvəsi, Koriolis–mərkəzdənqaçma qüvvələri və oynaq sürtünməsi kimi qeyri-xətti təsirlərin nəzərə alınmasını tələb edir. Ənənəvi computed torque kimi model əsaslı üsullar bu dinamik terminləri idarəetmə dövründə hesablayaraq robotu xətti və ayrılmış sistemə çevirməyə çalışır.

Sərbəstlik dərəcəsi artdıqca bu proses daha mürəkkəb olur. Xüsusilə moment əsaslı idarəetmənin yüksək nümunələmə tezliklərində işləməsi tələb olunduqda dinamik modelin qiymətləndirilməsi və matris əməliyyatlarının hər dövrdə təkrarlanması real vaxt idarəetməsi üçün hesablama yükü yarada bilər.

Tədqiqatın təklifi analitik dinamik modeli tamamilə tərk etmək deyil. Əksinə, analitik model əvvəlcə böyük həcmdə fizika əsaslı təlim veriləni yaratmaq üçün istifadə olunur. Daha sonra dərin neyron şəbəkəsi bu dinamikanın giriş–çıxış əlaqəsini öyrənir və iş zamanı lazım olan momenti daha paralel hesablana bilən şəbəkə quruluşu ilə proqnozlaşdırır.

Yeddi sərbəstlik dərəcəsi hansı oynaqları təmsil edir?

Model insanın aşağı ətrafındakı yeddi hərəkət komponentini təmsil edir:

1. Budun abduksiya/adduksiyası,
2. Budun fleksiya/ekstensiyası,
3. Budun daxili/xarici rotasiyası,
4. Diz fleksiya/ekstensiyası,
5. Aşağı ayağın daxili rotasiyası,
6. Ayaq biləyinin dorsifleksiya/plantar fleksiya hərəkəti,
7. Ayağın pronasiya/supinasiyası.

Koordinat sistemləri dəyişdirilmiş Denavit–Hartenberg yanaşması ilə təyin edilmiş və yeddi bəndin çevrilmə matrisləri ardıcıl şəkildə birləşdirilərək son nöqtənin baza koordinat sisteminə görə mövqeyi və istiqaməti yaradılmışdır.

Robot dinamikası necə modelləşdirilmişdir?

Hərəkət tənlikləri Laqranj enerji yanaşması ilə çıxarılmışdır. Robot dinamikasının əsas ifadəsi işdə aşağıdakı kimi verilir:

\[ \tau_{\mathrm{Joint}} = M(\theta)\ddot{\theta} + V(\theta,\dot{\theta}) + G(\theta) \]

Burada \(M(\theta)\) mövqedən asılı, 7 × 7 ölçülü müsbət müəyyən kütlə/ətalət matrisini; \(V(\theta,\dot{\theta})\) Koriolis və mərkəzdənqaçma terminlərini; \(G(\theta)\) cazibə təsirini; \(\tau_{\mathrm{Joint}}\) isə yeddi oynaqda tələb olunan moment vektorunu ifadə edir.

Real mexaniki oynaqlarda sürtünmə də olduğuna görə model daha sonra:

\[ \tau_{\mathrm{Joint}} = M(\theta)\ddot{\theta} + V(\theta,\dot{\theta}) + G(\theta) + \tau_{\mathrm{friction}} \]

formasına genişləndirilmişdir.

Sürtünmə modeli Kulon sürtünməsi, viskoz sürtünmə və Stribek təsirini birlikdə əhatə edir. Simulyasiya nümunəsində pik sürtünmə momenti 100 Nm, viskoz sürtünmə əmsalı 5 Nm/(rad/s), qırılma sürəti 0,01 rad/s və Kulon komponenti pik momentin 10%-i kimi istifadə edilmişdir.

İstifadəçinin boyu və çəkisi niyə idarəetmə modelinə daxil edilir?

Ekzoskeletin hərəkət etdirməli olduğu mexaniki sistem yalnız robot bəndlərindən ibarət deyil; işdə insanın aşağı ətrafının antropometrik xüsusiyyətləri də dinamik modelin bir hissəsidir. Tədqiqatçı istifadəçinin boyu və çəkisindən bud, baldır və ayağın təxmini sıxlıq, həcm, kütlə, uzunluq, kütlə mərkəzi və ətalət xüsusiyyətlərini hesablayan empirik əlaqələri robot dinamikasına daxil etmişdir.

Beləliklə, eyni oynaq hərəkəti üçün müxtəlif boy və çəkidə istifadəçilərdə tələb olunan momentin dəyişməsi təlim verilənlərinə ötürülür. DNN yalnız trayektoriyadan deyil, istifadəçinin boy və çəki girişlərindən də istifadə edir.

Computed torque idarəetməsi necə işləyir?

Computed Torque Controller (CTC) robotun tərs dinamik modelindən istifadə edir. İşdə istifadə olunan əsas idarəetmə qanunu belədir:

\[ \tau = M(\theta) \left[ \ddot{\theta}_d+ K_v(\dot{\theta}_d-\dot{\theta})+ K_p(\theta_d-\theta) \right] + V(\theta,\dot{\theta}) + G(\theta) \]

Bu quruluşun məqsədi robotun qeyri-xətti dinamikasını kompensasiya edərək geridə daha asan idarə olunan xətti xəta dinamikası saxlamaqdır. Lakin analitik robot dinamikasının hər nümunələmə anında hesablanması tədqiqatın həll etmək istədiyi hesablama problemidir.

Dərin neyron şəbəkəsinə hansı məlumatlar verilir?

DNN-nin hər təlim nümunəsində cəmi 23 giriş vardır:

• 7 oynaq üçün tələb olunan mövqe,
• 7 oynaq üçün tələb olunan sürət,
• 7 oynaq üçün tələb olunan təcil,
• istifadəçinin boyu,
• istifadəçinin çəkisi.

Şəbəkənin çıxışında isə yeddi oynaq üçün tələb olunan momentləri təmsil edən 7 davamlı dəyər vardır.

DNN arxitekturası necə qurulmuşdur?

Məqalədə gizli və çıxış qatlarında ümumilikdə 49 neyron olduğu bildirilir. Şəbəkə MATLAB 2025a mühitindəki feedforwardnet quruluşu ilə hazırlanmış, təlim zamanı Levenberg–Marquardt optimallaşdırması və xəta ölçüsü kimi Mean Squared Error (MSE) istifadə edilmişdir.

İş həmçinin şəbəkədə çəkilər və bias-lar daxil olmaqla 224 öyrədilə bilən parametr olduğunu bildirir. Bununla belə, verilən 23→21→14→7→7 tam əlaqəli arxitektura təsviri ilə bu say arasında açıq say uyğunsuzluğu görünür. Mənbə bunu izah etmədiyi üçün 224 dəyəri burada müəllifin bildirdiyi rəqəm kimi saxlanılır.

43 milyondan çox təlim nümunəsi necə yaradıldı?

Tədqiqatçı real insanlardan milyonlarla hərəkət qeydi toplamamışdır. Təlim verilənləri analitik robot dinamikası və computed torque simulyasiyasından istifadə etməklə fizika əsaslı şəkildə yaradılmışdır.

İki hərəkət ssenarisi istifadə edilmişdir:

• Ardıcıl hərəkət: yeddi oynağın müxtəlif vaxtlarda ard-arda hərəkət etməsi,
• Eyni vaxtlı hərəkət: bütün oynaqların eyni hərəkət ardıcıllığında eyni vaxtda aktivləşməsi.

Tam oynaq hərəkət diapazonları müxtəlif sürət, istifadəçi boyu və istifadəçi çəkisi kombinasiyaları altında simulyasiya edilmiş; computed torque nəzarətçisinin yaratdığı yeddi oynaq momenti DNN-nin hədəf çıxışı kimi qeydə alınmışdır.

Toplam 43.560.880 verilən nümunəsi yaradılmışdır. İşdə istifadə olunan 32 nüvəli Intel Xeon prosessor və 48 GB yaddaşa malik server bütün verilənlər toplusunu səmərəli emal edə bilmədiyindən verilənlər toplusu 10 dəfə seyrəldilmiş və şəbəkə təlimi üçün 4.356.088 nümunə istifadə edilmişdir.

Təlim verilənlərinin parametrləri nələr idi?

Cədvəl 2-də oynaq sürətləri 10–100 deg/s arasında 10 deg/s addımlarla verilmişdir. İstifadəçi çəkiləri 150–250 lb arasında 10 lb addımlarla siyahıya alınmışdır.

Boy parametrində isə mənbə daxilində uyğunsuzluq vardır. Cədvəl 2-də 50, 55, 60, 70 və 75 düym dəyərləri verildiyi halda üsul sxemində altı boy kombinasiyası göstərilir və sonrakı boy dəyişməsi analizində 65 düym də mövcuddur. Eyni şəkildə üsul sxemində “çəki ×10” yazılmasına baxmayaraq Cədvəl 2-də 150–250 lb aralığında 11 çəki dəyəri siyahıya alınmışdır.

Təlim, doğrulama və test bölgüsü necə idi?

Azaldılmış verilənlər toplusunun:

• 70%-i təlim,
• 15%-i doğrulama,
• 15%-i test

üçün ayrılmışdır.

İşin Şəkil 11-dəki təlim əyrisində ən yaxşı doğrulama performansı MSE = 0,33323 və 1394. epoch nöqtəsində göstərilir.

Hibrid DNN–PD nəzarətçisinin işləmə məntiqi nədir?

Öyrədilmiş şəbəkə robotu təkbaşına əks əlaqəsiz idarə etmir. DNN tələb olunan oynaq momentlərini proqnozlaşdıran irəli qidalanma komponentidir. Proqnoz xətaları və ya modeldə tam əksini tapmayan dinamikalar isə PD idarəetmə dövrü tərəfindən düzəldilir.

Bütün oynaqlarda:

• K_P = 3000,
• K_V = 250

dəyərləri istifadə edilmişdir.

Bu quruluş analitik inverse-dynamics hesabının yerinə DNN moment proqnozunu qoyarkən əks-əlaqə idarəetməsinin xəta düzəlişi və sabitlik rolunu qorumağı hədəfləyir.

Sabitlik necə təhlil edildi?

Tədqiqatçı irəli qidalanan DNN komponentinin qapalı dövr xarakteristik tənliyinin köklərini müəyyən etmədiyini, sabitliyin PD əks-əlaqə dövrü tərəfindən təyin edildiyini bildirir.

DNN-nin qeyri-xətti dinamikaları kifayət qədər kompensasiya etdiyi fərziyyəsi altında plant:

\[ G_p(s)=\frac{1}{s^2} \]

və PD nəzarətçisi:

\[ G_c(s)=K_p+K_d s \]

kimi qəbul edilmişdir.

Buna görə xarakteristik tənlik:

\[ s^2+K_d s+K_p=0 \]

formasını alır. Routh–Hurwitz təhlilindən istifadə etməklə müsbət \(K_p\) və \(K_d\) dəyərləri üçün qapalı dövr sabitliyi göstərilmişdir.

Simulyasiyalarda izləmə xətaları hansı səviyyədə idi?

İşin ilk performans təhlilində eyni vaxtlı hərəkət üçün oynaq 1–7 maksimum xəta dəyərləri müvafiq olaraq təxminən 0,26°, 0,20°, 0,20°, 0,26°, −0,14°, −0,21° və 0,19° kimi bildirilmişdir.

Ardıcıl hərəkətdə isə müvafiq olaraq təxminən −0,22°, −0,26°, −0,18°, 0,25°, −0,15°, −0,19° və −0,17° maksimum xəta dəyərləri verilmişdir.

Bu nəticələrdə istinad və real trayektoriyaların qrafiklərdə demək olar üst-üstə düşməsi, xətaların hərəkət diapazonuna nisbətən kiçik qaldığını göstərir.

DNN tələb olunan momenti həqiqətən öyrənə bildimi?

Moment qrafiklərində ilk altı oynaq üçün DNN-nin proqnozlaşdırdığı momentin ümumi tələb olunan momentə olduqca yaxın olduğu və PD nəzarətçisinin yalnız kiçik düzəlişlər etdiyi görünür. Ən nəzərəçarpan istisna yeddinci oynaqdır.

Tədqiqatçı yeddinci oynağın ümumi moment böyüklüyünün digər oynaqlardan nəzərəçarpacaq dərəcədə aşağı olmasının şəbəkənin bu oynağın dinamikasını öyrənməsini çətinləşdirmiş ola biləcəyini bildirir. Daha çox neyron və ya qat əlavə etmək cəhdləri overfitting yaratdığı üçün son arxitekturaya daxil edilməmişdir.

İstifadəçinin boyu və çəkisi dəyişdikdə idarəetmə pozuldumu?

İşdə birtərəfli ANOVA istifadə edilərək istifadəçi çəkisi və boyundakı dəyişikliklərin trayektoriya izləmə xətasına təsiri qiymətləndirilmişdir. Əhəmiyyətlilik səviyyəsi 0,005 olaraq müəyyən edilmişdir.

Yeddi oynağın hamısında bildirilən p dəyərləri bu həddən böyük olmuş və tədqiqatçı araşdırılan simulyasiya diapazonunda boy və çəki dəyişiminin izləmə performansında statistik əhəmiyyətli dəyişiklik yaratmadığı nəticəsinə gəlmişdir.

Bu təhlil fiziki istifadəçi təcrübəsi deyil. Dəyişdirilən antropometrik parametrlərin simulyasiya modelindəki təsirini qiymətləndirir.

Digər idarəetmə üsulları ilə müqayisədə nə baş verdi?

Eyni robot dinamik modeli üzərində altı üsul müqayisə edilmişdir:

• Hibrid DNN–PD,
• Computed Torque Controller (CTC),
• Model Reference Computed Torque Controller (MRCTC),
• Sliding Mode Controller (SMC),
• Adaptive Controller,
• Linear Quadratic Regulator (LQR).

İşdəki Cədvəl 6 və 7-yə görə bütün üsullarda maksimum izləmə xətaları 1°-dən aşağı qalmışdır. Hibrid DNN–PD bir çox oynaqda CTC və MRCTC-dən daha aşağı xəta yaratdığı halda Adaptive Controller bəzi oynaqlarda hibrid üsuldan da aşağı xəta göstərmişdir. Buna görə iş “DNN–PD hər oynaqda bütün nəzarətçilərdən daha yaxşıdır” nəticəsini dəstəkləmir.

Hesablama üstünlüyü nə qədərdir?

Məqalənin əsas iddiası DNN-nin paralel quruluşunun CPU/GPU aparatına daha uyğun olması və tam analitik dinamik modelin hər idarəetmə dövründə qiymətləndirilməsini azalda bilməsidir. Lakin işdə idarəetmə üsullarının real işləmə müddətini millisaniyə ilə müqayisə edən benchmark, CPU/GPU inference müddəti, nümunələmə tezliyi və ya ölçülmüş sürətlənmə nisbəti bildirilməmişdir.

Buna görə iş hesablama səmərəliliyinə dair güclü bir arxitektura əsaslandırması və simulyasiya çərçivəsi təqdim edir; real vaxt aparatında kəmiyyət sürətlənməsi sübutu hələ təqdim etmir. Müəllif RT-Linux üzərində aparat reallaşdırmasını gələcək iş kimi göstərir.

İş nə deyir?

• Analitik robot dinamikasından böyük miqyaslı fizika əsaslı DNN təlim verilənləri yaratmaq mümkündür.
• 23 girişli DNN simulyasiya mühitində yeddi oynaq üçün tələb olunan momentləri proqnozlaşdıra bilir.
• DNN irəli qidalanma və PD əks-əlaqə birlikdə istifadə edildikdə aşağı trayektoriya izləmə xətaları əldə edilmişdir.
• Şəbəkənin proqnozlaşdırdığı momentlər xüsusilə ilk altı oynaqda ümumi tələb olunan moment profillərinə yaxın olmuşdur.
• Araşdırılan modeldə boy və çəki dəyişikliklərinə qarşı ANOVA ilə izləmə performansında əhəmiyyətli dəyişiklik aşkar edilməmişdir.
• Təklif olunan üsulun moment tələbləri digər mövcud idarəetmə üsulları ilə oxşar səviyyədədir.

İş nə demir?

• Fiziki ekzoskelet üzərində real vaxt tətbiqinin uğuru göstərilməmişdir.
• İnsan iştirakçı və ya xəstə üzərində reabilitasiya təcrübəsi aparılmamışdır.
• Klinik effektivlik və ya xəstə təhlükəsizliyi sübut edilməmişdir.
• DNN-nin bütün istifadəçi anatomiyaları və hərəkət pozuntuları üçün ümumiləşdirilə bilməsi göstərilməmişdir.
• Real sensor səs-küyü, aktuator gecikməsi və aparat kommunikasiya gecikməsi üzərində geniş fiziki sınaq aparılmamışdır.
• CPU və ya GPU üzərində real inference müddəti və idarəetmə dövrü benchmark-ı bildirilməmişdir.
• Hibrid DNN–PD nəzarətçisinin bütün müqayisə olunan üsullardan hər şəraitdə daha dəqiq olduğu göstərilməmişdir.

İşin Metodu və Tapıntıları

İşin metod zənciri

Əsas verilənlər və şəbəkə xüsusiyyətləri

İdarəetmə üsullarının ardıcıl hərəkətdə maksimum izləmə xətaları

İdarəetmə üsullarının eyni vaxtlı hərəkətdə maksimum izləmə xətaları

Müqayisənin düzgün şərhi

Cədvəl 7-də hibrid DNN–PD nəzarətçisi CTC və MRCTC ilə müqayisədə xüsusilə oynaq 3–7-də daha aşağı maksimum xəta dəyərləri göstərir. SMC-nin eyni vaxtlı hərəkət xətaları əksər oynaqlarda nəzərəçarpacaq dərəcədə daha böyükdür. LQR isə bəzi oynaqlarda müqayisənin ən yüksək xəta dəyərlərini yaradır.

Bununla belə Adaptive Controller oynaq 1, 3, 4, 6 və 7-də DNN–PD-dən daha aşağı maksimum xəta göstərir; oynaq 2-də iki üsul eyni 0,0762° dəyərinə malikdir. Buna görə tədqiqatın mühüm nəticəsi DNN–PD-nin bütün alternativlərdən mütləq üstün olması deyil; analitik dinamik modelin davamlı onlayn hesablanmasına alternativ olaraq aşağı xəta və oxşar moment profilləri təmin edə bilən hibrid quruluş təqdim etməsidir.

Moment profillərinin müqayisəsi

Şəkil 23–28 hibrid DNN–PD, CTC, MRCTC, SMC, Adaptive Controller və LQR üçün yeddi oynağın ardıcıl və eyni vaxtlı hərəkətlərdəki moment profillərini göstərir. Tədqiqatçı üsullar arasındakı pik momentlərin müqayisə oluna bilən səviyyədə olduğunu və əsas moment meyllərinin oxşar qaldığını bildirir.

Bu tapıntı DNN əsaslı yanaşmanın aşağı izləmə xətası təmin etmək üçün digər üsullardan tamamilə fərqli böyüklükdə aktuator momentləri tələb etmədiyini göstərir. Lakin məqalədə fiziki mühərrik cərəyanı, batareya sərfiyyatı və ya real aparat enerji ölçümü aparılmamışdır.

Mənbə daxilində xəta dəyərləri fərqi

Bölmə 6-da birbaşa trayektoriya simulyasiyalarından bildirilən maksimum DNN–PD xətaları eyni vaxtlı hərəkətdə təxminən 0,26°-yə, ardıcıl hərəkətdə də təxminən 0,26°-yə çatır. Buna qarşılıq müqayisəli Bölmə 8-in Cədvəl 6 və 7-də hibrid nəzarətçinin maksimum dəyərləri müvafiq olaraq 0,1115° və 0,1181°-dir.

Məqalə bu iki xəta dəstinin fərqinin təcrübə şəraitindən, qazancdan, verilən seçiminə və ya başqa simulyasiya parametrindən qaynaqlanıb-qaynaqlanmadığını açıq bildirmir. Buna görə iki rəqəm qrupu bir-birinin yerinə istifadə edilməməlidir.

Əsas məhdudiyyətlər

• İş tamamilə modelləşdirmə və simulyasiyaya əsaslanır.
• Fiziki ekzoskelet üzərində real vaxt idarəetməsi həyata keçirilməmişdir.
• İnsan iştirakçı və ya klinik reabilitasiya verilənlərindən istifadə edilməmişdir.
• DNN təlim verilənlərinin hamısı analitik modeldən yaradılmışdır; real sensor və aktuator verilənləri ilə təlim aparılmamışdır.
• Real vaxt CPU/GPU işləmə müddəti və ya nümunələmə gecikməsi müqayisəsi verilməmişdir.
• Mənbədə təlim kombinasiyalarının boy və çəki sayları arasında uyğunsuzluq vardır.
• Mənbədə DNN üçün bildirilən 224 öyrədilə bilən parametr sayı təsvir olunan tam əlaqəli arxitektura ilə açıq şəkildə uyğun gəlmir.
• Müxtəlif bölmələrdə eyni hibrid nəzarətçi üçün bildirilən maksimum izləmə xətaları bir-biri ilə tam uyğun gəlmir.
• Gələcəkdə RT-Linux aparat tətbiqi və reinforcement learning ilə onlayn adaptasiya planlaşdırılır.

Mənbə və Metod Qeydi

Tam orijinal işin adı: Development of a Deep Learning-Based Control Framework for Exoskeleton Robots

Müəllif: S. K. Hasan.

Qurum: Department of Mechanical and Manufacturing Engineering, Miami University, Oxford, OH 45056, USA.

Məsul müəllif məlumatı: Mənbədə ayrıca corresponding-author işarəsi yoxdur. Tək müəllif S. K. Hasan-ın institusional e-poçt ünvanı verilmişdir.

Bərabər töhfə/bərabər birinci müəllif: Tətbiq edilmir; iş tək müəlliflidir.

Jurnal: Actuators.

Nəşriyyat: MDPI, Basel, Switzerland.

Biblioqrafik məlumat: Actuators 2026, 15(5), 274.

DOI:10.3390/act15050274

Nəşr tarixi: 16 may 2026. İş 24 mart 2026-da qəbul edilmiş, 26 aprel 2026-da yenidən işlənmiş və 13 may 2026-da qəbul olunmuşdur.

Mənbə növü və rəyçilik statusu: Actuators jurnalında dərc olunmuş rəyli tədqiqat məqaləsidir. Elmi metod baxımından əsasən dinamik modelləşdirmə, maşın öyrənməsi və idarəetmə simulyasiyası işidir.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Tədqiqatçı xarici maliyyələşdirmə alınmadığını bildirmişdir.

Etika komitəsi: Tətbiq edilmir; iş insan iştirakçı, insan toxuması, heyvan və ya klinik verilən əhatə etmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir; insan iştirakçı yoxdur.

Verilənlərin əlçatanlığı: Müəllif işin orijinal töhfələrinin məqalədə olduğunu və əlavə sualların müəllifə yönəldilə biləcəyini bildirir.

Maraqların toqquşması: Müəllif maraqların toqquşması olmadığını bildirir.

Müəllif töhfələri: Ayrı CRediT/müəllif töhfələri cədvəli verilməmişdir; iş tək müəlliflidir.

Elmi şərh sərhədi: İş yeddi sərbəstlik dərəcəli aşağı ətraf ekzoskeletinin simulyasiya modelində dərin öyrənmə əsaslı hibrid moment idarəetməsini qiymətləndirir. Fiziki robot, real vaxt RT-Linux aparatı, xəstə və ya sağlam könüllü üzərində doğrulama aparılmamışdır. Buna görə tapıntılar klinik reabilitasiya effektivliyinin və ya real aparat etibarlılığının sübutu deyil.

Mənbə daxilində uyğunsuzluq qeydi: DNN arxitekturasının öyrədilə bilən parametr sayı, təlim verilənlərindəki boy/çəki kombinasiyalarının sayı, Şəkil 16-nın hərəkət növü izahı və müxtəlif bölmələrdə verilən maksimum DNN–PD izləmə xətaları arasında izah olunmamış uyğunsuzluqlar vardır. Bu elementlər səssizcə düzəldilməmişdir.

Hesablama səmərəliliyi sərhədi: Məqalə təklif olunan arxitekturanın hesablama yükünü azalda biləcəyini və CPU/GPU paralelliyindən yararlana biləcəyini müdafiə edir; lakin üsullar arasında ölçülmüş real vaxt execution-time, latency və ya speed-up benchmark-ı bildirmir. Aparat reallaşdırması gələcək iş kimi göstərilmişdir.

Bu Verianla məzmununun elmi tapıntıları yalnız araşdırılan tədqiqata əsaslanır. Xarici mənbə yoxlaması yalnız başlıq, DOI, jurnal və nəşr kimliyinin biblioqrafik təsdiqi məqsədilə istifadə edilmişdir.