İnsan hərəkəti, bir makinenin əvvəlden bəlirlenmiş komutu eyni şəkildə təkrar etmesi kimi tədqiqatz. Sinir sistemi, əzələ-skəlet yapistilik, sensor geri əlaqə, yorğunluq, öyrənmə, mühit və tapşırıq şərtləri sürekli kimi birbirini etkiler. Bu səbəbdən yerişten tarazlıqye, qol hərəkətlərinden qüvvə istehsalınə qədər insan mühərrik davranışıı örütubətli ölçüde qeyri-xətti, zamana bağlı və kontekstə həssas bir sistem kimi ortaya çıkar.

İncəlenen icmalnin əsas savı, insan hərəkətini anlamak üçün qeyri-xətti dinamikalar ilə süni intəllektnın birbirinin rakibi kimi deyil, tamamlayıcistilik kimi kullanılması gerektiğidir. Doğrusal olmayan dinamikler; faza, cəlbedici, limit dövrü, manifold, dayanıqlılıq, bifurəzələiya və koordinasiya rejimi kimi hareketin organizasyonunu bucaqklayan yapıları tanımlar. Makine öyrənməsi isə bu yapıların yüksək ölçülü və eksik ölçülən məlumatlarden öğrenilmesini, real vaxtda proqnoz edilmesini və adaptiv idarəetmə sistemlərinde kullanılmasını mümkün hale getirebilir.

İcmal üç əsas problem sinifına fokuslanır. Birincisi, sensor və tapşırıq məlumatlarınden oynaq momenti, hərəkət fazaası və ya koordinasiya rejimi kimi çıxışları proqnoz eden qeyri-xətti giriş-çıxış modəlləşdiriridir. İkincisi, hareket və sinir aktivliyinin zaman içində necə gəliştiğini temsil eden zaman dinamikaları və adaptasiya problemidir. Üçüncüsü isə möhkəmləndirməli öyrənmənin qeyri-xətti sistem dinamikleriyle birleştirilerek tarazlıq, yeriş və digər karmaşık hareketlerde adaptif idarəetmə siyasətləri öyrənməsidir.

Mənbənin örütubətli mesajlarından biri, yalnız yüksək proqnoz dəqiqliyinun bilimsəl kimi yeterli olmadığıdır. Bir süni intəllekt modəli ölçülən hareketi uğuryla proqnoz edebilir; lakin eyni modəl hareket sisteminin sabitlığını, koordinasiya geçişlerini, cəlbedicilerini və ya limit dövrülerini doğru şəkildə korumuyorsa insan mühərrik idarəetməsinün altında yatan mekanizmayı öğrenmiş olmayabilir. Bu səbəbdən modəl qiymətləndirilməsinin yalnız xəta ölçütlerine deyil, dinamik strukdövrun qorunmasına da dayanması gerektiği savunulmaktadır.

İcmal ayrıca günümüzdeki örütubətli sorunları bucaqkça ortaya koymaktadır: insan hərəkəti məlumat setleri çoğunlukla kiçik və tapşırıqe özgüdür; derin modəlləşdirir aşırı öğrenebilir; fərqli kişilere və hareket şərtlərinə ümuvaləşdirmə sərhədlı ola bilər; modəlləşdirir fiziksəl kimi olanaksız çıxışlar üretebilir; sensor yerləşməsi, ön emal və hiperparametr seçimleri nəticələrı örütubətli ölçüde değiştirebilir. Açıklanabilirlik özəllikle reabilitasiya və yardımcı robotik kimi insanla birbaşa etkileşen sistemlərde kritik bir sorun kimi görülmektedir.

Müəlliflərın önerdiği gəlecek yönü, daha böyük qara qutu modəlləşdirir üretmekten ziyade nəzəriyyə məlumatlı, fiziki məhdudiyyətları ehtiva edən, izah edilə bilən və real vaxtlı qapalı dövrəde insanla birlikdə sınanabilen AI sistemləri hazırlamaktir. Böyle bir yanaşmasın sinir aktivliyi, əzələ aktivləşməsi və mekanik hareket arasındaki birləşməyı daha bütüncül şəkilde modəlleyebileceği öne sürülmektedir.

Türkiyə baxımından: Tədqiqat Türkiye'deki müəyyən bir pasiyent grubu, laboratuvar, reabilitasiya sistemi və ya robot üzərində realleştirilmemiştir. Bununla bələ ortaya konan çərçivə; Türkiye'deki reabilitasiya robotları, ekzoskəletler, protezler, yeriş destek sistemləri, idman biomexaniəzələı, geyiləbilən hareket sensorlari, insan-robot əməkdaşlığı və neyromühəndislik tədqiqatları açistilikndan birbaşa araştırılabilir bir yanaşma təqdim edir. Xüsusilə kişiye özgü yardım təmin edən aktuatorlarde yalnız hareket təsnifatsı yapmak əvəzinə istifadəçinın fazaasını, sabitlığını və değişen koordinasiya yapistiliknı real vaxtda proqnoz etmek örütubətli ola bilər. Lakin icmaldeki nəticələr herhangi bir AI destekli reabilitasiya və ya robotik idarəetmə sisteminin Türkiye'deki klinik ya da endüstriyəl kullanım üçün hazır olduğunu göstərmir; inamlik, klinik yarar, fərqli populyasiyalara ümuvaləşdirmə və real vaxtlı qapalı dövrə doğrulaması ayrıca yapılmalıdır.

İnsan hərəkətindeki dəyişkənlik niyə yalnız “xəta” değildir?

Klasik mühendislik yanaşmasında eyni girişin hər seferinde eyni çıxışyı üretmesi genəllikle istənilən davranıştır. İnsan mühərrik sistemi isə fərqlidır. Aynı kişi eyni tapşırığı təkrar ettiğinde dahi hareketin detalları birebir eyni olmaz.

İcmal, bu değişkenliğin yalnız sensor səs-küysü və ya idarəetmə xətası kimi görülmemesi gerektiğini vurgulamaktadır. Hareket sistemi həll fəzasını araştırır, eqoloji değişikliklere uyğunluq təmin edir və yorğunluq, koqnitiv yük və ya mekanik pozulmalar altında fərqli stratejiler gəliştirebilir.

Bu səbəbdən funksional mühərrik idarəetməsi, sıfır dəyişkənlikten ziyade dayanıqlılıq ilə çeviklik arasında uyğun bir tarazlıq kimi əle alınırdır.

Doğrusal olmayan sistem nə demektir?

Doğrusal bir sistemde girişteki değişimin çıxış üzerindeki etkisi müəyyən nisbəttılı ilişkilerle izah edilə bilən. İnsan hərəkətinde isə əzələ kuvveti, oynaq geometrisi, sinirsəl idarəetmə, sensor geri əlaqə və mühit arasındaki ilişkiler çoğu zaman bu kadar basit değildir.

Küçük bir tapşırıq değişikliği bazen kiçik bir hareket değişikliğine yol açarken, bazı koşullarda koordinasiya biçiminin tamamen değişmesine niyə ola bilər. Məsələn bir sistem müəyyən bir hareket frekansına kadar bir koordinasiya biçimini korurken kritik bir noktadan sonra başqa bir koordinasiya biçimine geçebilir.

Bu tür davranışlar qeyri-xətti dinamik sistemlər dilinde cəlbediciler, faza ilişkileri, dayanıqlılıq değişimleri və bifurəzələiyalar üzərindən incəlenebilir.

Çekici nədir?

Çekici (attractor), dinamik bir sistemin zaman içində yönəlmeye və ya mühitsinde kalmaya eğilimli olduğu dayanum ya da davranış yapistiliknı ifade eder.

İnsan hərəkətinde müəyyən bir yeriş ritmi, postüral koordinasiya biçimi və ya salınımlı hareket düzülüşi dinamik bir cəlbedici kimi düşünülebilir. Sisteme kiçik bir pozucu təsir gəldiğinde hareket yeniden eyni düzülüşin mühitsine dönüyorsa bu yapı müəyyən ölçüde sabitdır.

AI açistilikndan kritik soru, modəlin yalnız ölçülən koordinatları proqnoz edip etmediği deyil, real sistemdeki bu sabit yapıyı da öğrenip öyrənmədiğidir.

Limit dövr niyə yeriş üçün örütubətli?

Tekrarlanan yeriş kimi periodik hərəkətlerde sistemin fazaa fəzasındaki davranışı kapalı bir trayektoriyaye yaklaşabilir. Bu yapı limit dövrü kimi adlandırılır.

Kararlı bir limit dövrü, kiçik bir pozucu təsirden sonra sistemin təkrar periodik yeriş biçimine dönebilmesini ifade eder. Bu səbəbdən yalnız oynaq bucaqlarını doğru proqnoz etmek, yeriş idarəetməünü anlamak üçün yeterli olmayabilir.

Modəlin dövrün sabitlığını, pozucu təsirlerden sonra geri qayıdışünü və fərqli parametrlərde dövrün necə değiştiğini də temsil edebilmesi lazımdır.

Faz niyə AI ilə real vaxtda proqnoz edilmeye çalışılıyor?

Döngüsəl hareketlerde faza, hareket dövrünin hansı noktasında bulunulduğunu ifade eden əsas dinamik değişkenlerden biridir.

Məsələn yardımcı yeriş robotu açistilikndan yalnız “kişi yürüyor” bilgisini bilmek yeterli değildir. Aktüatörün nə zaman kuvvet uygulayacağı açistilikndan istifadəçinın addım fazaasının da bilinsultsi lazımdır.

Klasik faza çıkarım metodlerinin bir kısmı oflayn tədqiqatya və ya müəyyən sinyal şərtlərinə dayanabilir. İcmalde incəlenen tədqiqatlardan biri, kısa üçölçülü hareket geçmişinden anlık fazaası proqnoz etmek amacıyla LSTM əsaslı bir modəl kullanmaktadır.

Bələliklə qeyri-xətti dinamikalarden gələn “faza” kavramı, süni intəllekt tarafından real vaxtda proqnoz edilebilecek bir idarəetmə değişkenine dönüşmektedir.

Manifold kavramı nə anlatıyor?

Beyinde minlərlə və ya çox daha fazala neyron dəyişəni ölçülebilmesine rağmen davranış sırasında bu aktivitenin tamamı birbirinden müstəqil hareket etmez. İcmalde əle alınan tədqiqatlar, yüksək ölçülü sinir aktivliyinin daha aşağı ölçülü lakin qeyri-xətti geometrik yapılarda organize olabileceğini tartışmaktadır.

Bu yapılara manifold yanaşmasıyla bakıldığında, davranışın altında yatan koordinasiya düzülüşleri yüksək ölçülü xam məlumatden daha anlamlı bir dayanum uzayında temsil edilebilir.

Burada süni intəllektnın tapşırığı yalnız ölçü azaltmaq değildir. Esas bilimsəl beklenti, öğrenilen aşağı ölçülü uzayın real sinirsəl və ya mühərrik sistemdeki dinamik organizasyonu korumasıdır.

Kısmi gözlenebilirlik niyə örütubətli?

İnsan mühərrik sisteminin real dayanumu hiçbir zaman bütünüyle ölçülemez. Bir geyiləbilən sensor yalnız təcilyi ölçə bilər; EMG bazı əzələların aktivitesini yakalayabilir; EEG və ya MEG sinir aktivliyinin müəyyən bir bölümünü temsil edebilir.

Buna görə AI sistemi real mühərrik dayanumun yalnız bir kısmını görmektedir.

İcmal, bu nedenle kısa zaman geçmişinin kritik olduğunu vurgulamaktadır. Tek bir andaki ölçmə yeterli bilgi təmin etmirsa geçmiş gözlemler istifadə edilərək gizli dayanum hakkında daha güçlü qiymətləndirmə yapılabilir.

Gecikməli koordinat yerleştirme və zaman asılı derin öyrənmə metodleri bu nedenle mühərrik idarəetmə açistilikndan yalnız bir yazılım tercihi deyil, kısmi gözlenebilirliğin çözümüne yönəlik dinamik bir yanaşma kimi əle alınırdır.

AI qeyri-xətti giriş-çıxış ilişkilerini necə öğreniyor?

İcmalnin ilk əsas problem sinifı, ölçülebilen girişlerden idarəetmə açistilikndan anlamlı çıxışlar proqnoz etmektir.

Mənbədə verilen temsilî örnekler arasında:

Derin möhkəmləndirməli öyrənmə insan bənzər koordinasiyası necə ortaya çıkarabiliyor?

Mənbənin tartıştığı dikkat cəlbedici örneklerden biri ayaqüstə dayanurken baş ilə hədəf takip tapşırığıdir.

İnsanlarda kalça və ayak bileğinin hareket ilişkisi, tapşırıq frekansına görə fərqli koordinasiya rejimlerine geçebilir. Aşağı frekanslarda eyni fazalı, yüksək frekanslarda isə karşıt fazalı koordinasiya görülebilir.

Modəl-free PPO kullanan simüle edilmiş humanoid, vücudun dinamik denklemleri kendisine bucaqk şəkildə verilmeden tarazlıq tapşırığıni öğrenmiş və tapşırıq frekansı değiştikçe bu iki koordinasiya rejimi arasındaki geçişi yeniden üretmiştir.

Daha örütubətlisi, öğrenilen davranış yalnız oynaq trayektoriyaleriyle dəyərlendirilmemiş; kalça və ayak bileği arasındaki görəli faza və korrəlyasiya kimi qeyri-xətti koordinasiya ölçütleriyle analiz edilmiştir.

İcmalnin əsas fikri burada çox nettir: AI'ın bilimsəl dəyəri, yalnız hədəf hareketi taklit etmesinden deyil, insan davranışında tanımlanan dinamik koordinasiya yapistiliknı yeniden üretmesinden gəlmektedir.

Zamansal sinirsəl dinamikler niyə statik təsnifatdan fərqli?

Sinir sistemi içində bilgi hər zaman sabit bir aktivasyon seviyesi kimi temsil edilmeyebilir. Bazı hesablamalarda bilginin fərqli salınımlar arasındaki faza ilişkilerinde saklanabileceği tartışılmaktadır.

İcmalde əle alınan RNN tədqiqatları, salınımlı iş yaddaşı tapşırıqlerinde ağların təlimden sonra fərqli uyaranları fərqli sabit faza ilişkileriyle temsil eden fazaa kilidli limit dövrü cəlbedicileri gəliştirebildiğini göstərir.

Bu ağlar yalnız kara kutu kimi bırakılmamış; Poincaré kesitleri, geri qayıdış haritaları və Floquet çarpanları kimi dinamik sistem araçları istifadə edilərək öğrenilmiş yapının sabitlığı analiz edilmiştir.

Bu yanaşma, süni intəllekt ilə qeyri-xətti dinamikalarin birleşmesinin nə anlama gəldiğine iyi bir örnektir: şəbəkə tapşırığı öğrenir, ardından dinamik sistem analizi ağın nə öğrendiğini mekanistik terimlerle çözümlemeye çalışır.

Pekiştirməli öyrənmə hər şeyi kendi başına mı idarəetmə etməli?

İcmalnin yanıtı hayırdır.

Bazı örneklerde en güçlü yanaşma tamamen öğrenilmiş idarəetmə əvəzinə hibrid idarəetmə yapistilikdır. Sistem iyi anlaşılan işləmə bölgəsindeyken klasik qeyri-xətti idarəetmə sabitlığı təmin edir; dayanum nominal bölgədən uzaklaştığında isə öğrenilmiş politika daha geniş dayanum uzayında toparlanma tapşırığı üstlenebilir.

Pasif dinamik ikiayaqlı yeriş örneğinde bu yanaşma özəllikle bəlirgindir. Sistem xaotik davranış gösterebildiği üçün hədəf, sabit periodik yerişe geri dönmektir.

Durum istənilən qeyri-sabit periyodik trayektoriyanin yaxınındaysa OGY əsasli kaos idarəetməüyle kalça rijitliği ayarlanırken, dayanum uzaklaştığında DQN əsaslı politika sistemi təkrar sabit bölgəye yönəltecek impuls torkları üretmektedir.

Bələliklə AI qlobal bərpa və keşif, analitik idarəetmə isə lokal dayanıqlılıq işlevini üstlenmektedir.

Pnevmatik əzələ-skəlet robotu niyə örütubətli bir örnek?

İcmaldeki başqa bir örnekte pnevmatik əzələ bənzər aktuatorlar kullanan robotlarda histerezis və gecikmə kimi güçlü qeyri-xətti özəllikler əle alınırdır.

Bu sistemlərde yalnız fizika əsaslı modəl bütün davranışı doğru temsil etmekte zorlanabilir. Tamamen məlumat əsaslı modəl isə fiziksəl anlamlılığını kaybedebilir.

Çözüm kimi fiziksəl modəlin üzerine öğrenilmiş Gaussian Process qalıq dinamikalarınin eklenmesi və bunun modəl əsaslı möhkəmləndirməli öyrənmə / MPC yapistilik içində kullanılması incəlenmektedir.

Bu yanaşma, fiziksəl kimi bilinen kısmın korunup yalnız bilinsultyen və ya modəllerütubəteyen bölümün AI tarafından öğrenilmesi fikrini temsil etmektedir.

AI proqnoz yapabiliyorsa sistemi bucaqklamış sayılır mı?

Hayır. İcmalnin en örütubətli ayrımlarından biri proqnoz ilə izah arasındadır.

Bir modəl gəlecekteki oynaq mövqeninu aşağı xətayla proqnoz edebilir. Lakin bu uğur tək başına niyə müəyyən koordinasiya biçiminin ortaya çıxışğını, niyə başqa bir rejime geçildiğini və ya sistemin pozucu təsirye qarşı niyə sabit olduğunu izahz.

Bilimsəl izah üçün öğrenilmiş yapıların:

• cəlbediciler,
• limit dövrüler,
• faza ilişkileri,
• bifurəzələiyalar,
• dayanıqlılıq bölgəleri,
• koordinasiya modları

kimi idarəetmə açistilikndan anlamlı yapılarla ilişkilendirilebilmesi lazımdır.

Yüksək R² və ya aşağı xəta niyə yeterli olmayabilir?

Makine öyrənməsinde modəl uğursı çoğu zaman proqnoz xətası və ya korrəlyasiya kimi ölçülerle dəyərlendirilir. İcmal, mühərrik idarəetmə və dinamik sistem problemlerinde bunun yeterli olmadığını savunmaktadır.

Bir modəl kısa zaman aralığında doğru proqnoz yapabilir lakin uzun vadede real cəlbediciden uzaklaşabilir. Bir başqa modəl noktasal kimi daha fazala xəta yapmasına rağmen sistemin limit dövrüini, faza geçişini və ya istatistiksəl dinamik xüsusiyyətlərini doğru koruyabilir.

Buna görə qiymətləndirmə amaca görə değişməlidir:

Niyə xətti metodleri tamamen bırakmamak gerekiyor?

İcmal, qeyri-xətti yanaşması savunurken örütubətli bir tarazlıq kurmaktadır: qeyri-xətti metodler hər dayanumda daha iyi değildir.

Xüsusilə məlumat miktarının az olduğu tədqiqatlarda xətti modəlləşdirir:

• daha sabit,
• daha qolay şərhlanabilir,
• daha aşağı hesaplama xərcli,
• həddindən artıq öyrənməye qarşı daha dayanıklı

ola bilər.

PCA kimi xətti ölçü azaltma araçlarının bile qeyri-xətti bir sistemdeki bazı aşağı ölçülü yapıları yararlı şəkildə ortaya çıkarabileceği bəlirtilmektedir.

Bu səbəbdən doğru soru “xətti mı, qeyri-xətti mı?” deyil; məlumatın yapistilik, məlumat miktarı və bilimsəl amaç üçün hansı modəlleme çərçivəsinin uyğun olduğudayan.

Kara kutu problemi

İcmalnin ilk böyük sərhədlılığı, karmaşık AI modəllərinin daxili temsilinin insan mühərrik idarəetməsindeki anlamlı kavramlara karşılık gəlmemesidir.

Bir derin şəbəkə yüksək performans gösterebilir lakin hansı daxili değişkenin dayanıqlılıq, koordinasiya və ya idarəetmə stratejisini temsil ettiği bilinsultyebilir.

Bu problem özəllikle reabilitasiya və yardımçı cihazlarda örütubətlidir. İnsanla fiziksəl etkileşimde bulunan sistemin niyə müəyyən bir yardım kuvveti uyguladığının yalnız performans açistilikndan deyil, inamlik və bilimsəl şərh açistilikndan da anlaşılabilir olması lazımdır.

Küçük və heterogen məlumat problemi

İnsan mühərrik idarəetməsi tədqiqatlarında məlumat setleri çoğu zaman:

• az sayda iştirakçıya,
• müəyyən bir laboratuvar tapşırığıne,
• müəyyən hareket hızlarına,
• müəyyən yaş və ya sağlık gruplarına,
• müəyyən sensor düzülüşlerine

dayanmaktadır.

Bu dayanum böyük parametr sayına sahip AI memarlıqlerinde ciddi ümuvaləşdirmə riski oluşdövrur. Laboratuvarda çox uğurlu görünen bir modəl başqa hareketlerde, fərqli populyasiyalarda və ya yorğunluq kimi yeni koşullarda uğursız ola bilər.

Fiziksəl kimi olanaksız proqnoz riski

Salt istatistiksəl modəl veride bulunan korrəlyasiyaları öğrenebilir; lakin biyomekanik kistiliktları bilmiyorsa fiziksəl kimi olanaksız bir kuvvet, oynaq hareketi və ya idarəetmə davranışı üretebilir.

Bu səbəbdən icmal, biyomekanik və ya nöromekanik bilgilerin öyrənmə memarlığıne birbaşa eklenmesini örütubətli bir gəlecek yönü kimi görmektedir.

Fizik bilgili sinir ağları, diferensiallana bilən fizika qatları, analitik dinamik + öğrenilmiş qalıq modəl və semiparametrik modəlləşdirir bu düşüncenin fərqli tətbiq biçimleridir.

Təkrarlana bilənlik sorunu

AI əsaslı mühərrik idarəetmə nəticələrı yalnız modəl memarlığıne bağlı değildir. Mənbə bu unsurların da nəticələrı değiştirebileceğini vurgulamaktadır:

• ön emal metodi,
• sensorün vücutta bulunduğu mövqe,
• hiperparametr seçimi,
• istifadə edilən qiymətləndirmə metriği,
• məlumatın tapşırıq və iştirakçı dağılımı.

Bu değişkenler standartlaştırılmadığında fərqli tədqiqatların nəticələrını birbaşa müqayisək güçleşmektedir.

Gəleceğin modəli necə olmalı?

İcmalnin önerdiği yanaşma dörd əsas öğeyi birləşdirir:

1. Teori bilgili temsil: faza, cəlbedici, manifold, dayanıqlılıq və ya koordinasiya rejimi kimi bilimsəl kimi anlamlı dayanum değişkenleri kullanılmalı.
2. Hibrit fizik + AI: bilinen biyomekanik yapı korunmalı; AI bilinsultyen və ya kişiye özgü bölümü öyrənməli.
3. Dinamik doğrulama: yalnız proqnoz xətası deyil, sistemin cəlbedicileri, geçişleri və sabitlığı da test edilməli.
4. Qapalı dövrə insan-AI doğrulaması: modəlləşdirir yalnız əvvəlden qeydə alınmış veride deyil, real vaxtda insanla etkileşim sırasında da sınanmalı.

İnsan-aktuator sistemləri açistilikndan niyə örütubətli?

Bir reabilitasiya robotu və ya ekzoskəlet yalnız insanın o andaki hareketini okumakla yetinsultməlidir. İdeal kimi sistem:

• kişinin mövcud mühərrik dayanumunu kestirməli,
• hərəkət fazaasını bəlirleməli,
• koordinasiyasın sabit olup olmadığını qiymətləndirməli,
• yorğunluq və ya öyrənməyle yaranan değişimi fərq etməli,
• yardım düzeyini buna görə dəyişdirməli

və bütün bunları qapalı dövrəde realleştirməlidir.

İcmalnin ileri sürdüğü bilimsəl yön, insan ilə aktuator arasındaki bu ilişkiyi sabit bir idarəetmə problemi əvəzinə iki tarafın da zaman içində değişebildiği adaptif bir dinamik sistem kimi əle almaktır.

Tədqiqatın Metodu və Nəticələri

Tədqiqat dizeyni

Bu tədqiqat yeni iştirakçı verisi, yeni klinik deney və ya yeni robot deneyi üretmemektedir. Müəlliflər mövcud literatürdeki temsilî tədqiqatları kavramsal və metodsəl bir çərçivəde sentezlemektedir.

İcmalnin əsas təsnifatsı tədqiqatları kullandıkları algoritmaya görə deyil, çözmeye çalıştıkları qeyri-xətti mühərrik idarəetmə problemine görə yaradırdır:

1. qeyri-xətti giriş-çıxış ilişkileri,
2. zaman dinamikaları və adaptasiya,
3. möhkəmləndirməli öyrənmə və idarəetmə siyasətləri.

Sistematik icmal sərhədi

Mənbədə literatürün hansı məlumat tabanlarından, hansı sorgularla və hansı daxil etmə/istisna etmə ölçütleriyle seçildiğini tanımlayan sistematik bir arama protoqolü verilmemektedir.

Tədqiqat, seçilen temsilî tədqiqatlar üzərindən kavramsal bir sentez yapmaktadır. Bu səbəbdən Cədvəl 1-3'teki tədqiqatlar bütün ilgili literatürün eksiksiz və ya istatistiksəl kimi çəkilandırılmış bir örnoynaqi kimi dəyərlendirilmeməlidir.

İcmalnin üç məlumat cədvəlsu

Cədvəl 1, qeyri-xətti mühərrik idarəetmə göstergəlerini AI əsaslı giriş-çıxış modəlleme metodleriyle uyğunlaşdırmaktedir. Örnekler arasında sEMG, aksəlerometr, IMU və hərəkət tutma məlumatları; CWT, Lyapunov eksponenti, entropiya və faza değişkenleri; SVM, XGBoost, CNN, Bi-LSTM, PPO və LSTM kimi metodler mövcuddur.

Cədvəl 2, zaman asılı və manifold əsaslı temsilleri əle almaktadır. Kaotik sistemlərin kısmi gözlemlerden yeniden oluşdövrulması, qeyri-xətti sinirsəl manifoldlar, postüral koordinasiya və faza-kodlu iş yaddaşı kimi örnekler üzərindən ResNet əsaslı dinamik modəlləşdirir, gecikməli koordinat ağları, RNN və PPO yanaşmaları tartışılmaktadır.

Cədvəl 3, qeyri-xətti mühərrik və aktuator sistemlərinin AI destekli idarəetməünü xülasələyirdir. Kanat çırpan uçuş sistemi, insan postür idarəetməü, humanoid koordinasiya, böcek lokomosyonu, pnevmatik əzələ-iskəlet robotu və passiv dinamik ikiayaqlı yeriş kimi fərqli sistemlər eyni kavramsal çərçivəde qiymətləndirilir.

Sentezlenen əsas nəticə 1: AI lakin dinamik yapı korunuyorsa bilimsəl kimi daha anlamlı hale gəliyor

İcmalnin en əsas sonucu, süni intəllektnın qeyri-xətti davranışı proqnoz edebilmesinin tək başına yeterli olmadığıdır.

Bilimsəl bucaqdan daha güçlü modəl, öğrendiği temsillerde mühərrik idarəetməsin düzülüşleyici yapıları olan:

• manifold geometrisini,
• faza ilişkilerini,
• cəlbedicileri,
• limit dövrüleri,
• bifurəzələiyaları,
• dayanıqlılıq xüsusiyyətlərini

koruyabilen modəldir.

Sentezlenen əsas nəticə 2: AI'ın güçlü olduğu alan kısmi gözlenebilirlik və karmaşık eşleməlerdir

İnsan mühərrik sistemi tam kimi ölçülemediği üçün AI'ın örütubətli katkılarından biri, sərhədlı sensorlardan gizli və ya türetilmiş mühərrik dayanumlarını kestirebilmesidir.

İcmalde bu dayanum real vaxtlı faza qiymətləndirməi, oynaq momenti proqnozu və kısmi gözlemden dinamik dayanum yeniden oluşdövrma örnekleriyle gösterilmektedir.

Sentezlenen əsas nəticə 3: Zaman geçmişi yalnız ek bilgi değildir

Kısmi gözlenebilir sistemlərde anlık sensor dəyəri real sistemi tanımlamak üçün yetersiz ola bilər. RNN, LSTM və gecikməli koordinat yanaşmalarının avantajı, geçmiş ölçmələrin sistemin gizli dayanumunu ortaya çıkarmak üçün kullanılabilmesidir.

İcmal bu nedenle zaman asılı bəlleği yalnız modəl performansını yüksəlten pratik bir özəllik deyil, gizli dayanumlu dinamik sistemləri modəllemenin teorik gereksinimlerinden biri kimi qiymətləndirməktedir.

Sentezlenen əsas nəticə 4: RL ilə qeyri-xətti idarəetmə birbirinin alternatifi olmak zorunda değildir

İncəlenen örneklerde möhkəmləndirməli öyrənmə, bazı dayanumlarda klasik idarəetməün əvəzinə geçerken bazı dayanumlarda onunla birlikdə istifadə olunur.

Xüsusilə karmaşık və geniş dayanum uzayında AI'ın adaptasiya və toparlanma yeteneği; iyi tanımlanmış lokal bölgəlerde isə analitik idarəetməün dayanıqlılıq xüsusiyyətləri bir araya getirilebilir.

Bu yapı, “öğrenilmiş politika mı yoksa fizika əsaslı idarəetmə mü?” ikilemi əvəzinə iki yanaşma arasında tapşırıq paylaşmaı təklif edir.

Sentezlenen əsas nəticə 5: Qapalı dövrə doğrulama kritik eksiklerden biridir

Birçok AI mühərrik idarəetmə sistemi oflayn məlumat üzərində proqnoz uğursıyla qiymətləndirilir. İcmal, real adaptif mühərrik idarəetməsin sübutlanması üçün modəlin insanla və ya fiziksəl sistemle real vaxtda etkileşmesi gerektiğini savunmaktadır.

Modəl lakin pozucu təsirler, yorğunluq, değişen hədəfler və kişinin zaman içində değişen davranışı altında uğurlu şəkildə adaptasiya gösterdiğinde statik korrəlyasiya öyrənməkten daha ileri bir idarəetmə yeteneği ortaya koymuş olur.

Başlıca mövcud məhdudiyyətlər

Təklif edilən gəlecek tədqiqat memarlığı

Mənbənin nəticə bölümünde üç əsas gereksinim öne çıkarılmaktadır:

1. Teori bilgili və hibrid memarlıqler: biyomekanik və idarəetmə yapistiliknın modəle gömülmesi, AI'ın isə kalan bəlirsizliği öyrənməsi.
2. Dinamik doğruluğu test eden qiymətləndirmə: yalnız proqnoz performansı deyil, dayanıqlılıq, geçişler və değişmez yapıların korunmasının da dəyərlendirilmesi.
3. Real zamanlı qapalı dövrə doğrulaması: modəlin pozucu təsirler, yorğunluq və değişen amaçlar altında adaptasiyaunun sınanması.

Tədqiqatın dəstəklədiyi nəticələr

• Doğrusal olmayan dinamikler və AI birbirini tamamlayan araçlar kimi kullanılabilir.
• Faz, cəlbedici, manifold və dayanıqlılıq kimi dinamik değişkenler AI modəlləşdiririne bilimsəl yapı kazandırabilir.
• Zamansal AI modəlləşdiriri kısmen gözlenen mühərrik sistemlərde gizli vəziyyət qiymətləndirməsini destekleyebilir.
• Pekiştirməli öyrənmə adaptif koordinasiya və idarəetmə siyasətlərinın öğrenilmesinde kullanılabilir.
• Fizik əsaslı modəlləşdirir ilə öğrenilmiş qalıq dinamikalarınin birleştirilmesi şərhlanabilirlik və adaptasiya arasında tarazlıq kurabilir.
• AI qiymətləndirməsi yalnız noktasal proqnoz dəqiqliyina dayanmamalıdır.
• Doğrusal modəlləşdirir kiçik məlumat və ya yüksək şərhlanabilirlik gerektiren bazı problemlerde hâlâ tercih edilebilir.
• Real zamanlı insan-AI qapalı dövrə deneyleri alanın örütubətli gəlecek gereksinimlerindendir.

Tədqiqatın sübutlamadığı nəticələr

• AI'ın bütün insan mühərrik idarəetmə modəlləşdiririnde xətti və ya analitik metodlerden üstün olduğu gösterilmemiştir.
• Tek bir AI memarlığınin bütün hareket türlerinde en iyi metod olduğu gösterilmemiştir.
• İcmal yeni bir klinik tedavinin etkinliğini test etmemektedir.
• Herhangi bir reabilitasiya robotunun pasiyent nəticələrını iyileştirdiğine ilişkin yeni klinik məlumat üretmemektedir.
• Qapalı dövrə AI idarəetməünün insanlarda genəl inamliği sübutlanmamıştır.
• Temsilî tədqiqatların nəticələrı tək bir ortak məlumat dəstində yeniden analiz edilmemiştir.
• Nicəl meta-analiz yapılmamıştır.
• İcmalde tartışılan bütün AI sistemlərinin real vaxtlı sahə tətbiqsına hazır olduğu sonucuna varılamaz.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Learning Nonlinear Motor Control: How Integrating Machine Learning and Nonlinear Dynamics Reveals Strucdövre, Adaptation, and Control in Human Movement

Müəlliflər: Armin Hakkak Moghadam Torbati; Yavar Shiravand; Armin Mazinani.

Sorumlu yazar: Armin Hakkak Moghadam Torbati.

Qurumlar: Université Libre də Bruxəlles, Faculty of Human Motor Sciences, Laboratory of Functional Anatomy, Bəlçika; UNI-ULB Neuroscience Institute, Laboratoire də Neuroanatomie et Neuroimagerie Translationnəlles, Bəlçika; Clevəland State University, Center for Gene Regulation in Health and Disease, ABD; Clevəland State University, Department of Biology, Geology, and Environmental Sciences, ABD; University of Parma, Department of Engineering and Architecdövre, Internet of Things Laboratory, İtalya.

Mənbə növü: İcmal (Review).

Jurnal: Actuators.

Nəşriyyat: MDPI.

Yayın: 2026, Cilt 15, Məqalə 166.

Gönderim tarihi: 5 Şubat 2026.

Revizyon tarihi: 12 Mart 2026.

Kabul tarihi: 14 Mart 2026.

Yayın tarihi: 16 Mart 2026.

DOI: 10.3390/act15030166.

Resmî birləşmə:https://doi.org/10.3390/act15030166

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Müəlliflər tədqiqatın xarici finansman almadığını bildirmiştir.

Etik kurul: Uygulanabilir deyil kimi bildirilmişdir.

Bilgilendirilmiş razılıq: Uygulanabilir deyil kimi bildirilmişdir.

Məlumat əlçatanlığı: Bu icmalde yeni məlumat oluşdövrulmadığı və məlumat paylaşmaının uygulanabilir olmadığı bəlirtilmiştir.

Maraqlar toqquşması: Müəlliflər çıkar çatışması bulunmadığını bildirmiştir.

Görsəl istehsal beyanı: Mənbənin Şəkil 1'deki bilimsəl məzmununun müəlliflər tarafından oluşdövrulduğu; süni intəllekt əsaslı bir görüntü tənzimləmə aracının yalnız renk və yerleşimin qrafiksəl iyileştirilmesinde kullanıldığı bildirilmişdir.

İcmal metodine ilişkin örütubətli qeyd

Tədqiqatda yeni bir insan deneyi, yeni robot deneyi və ya yeni ölçmə məlumat dəsti mövcud deyil. Bilimsəl katkı, fərqli mühərrik idarəetmə və AI tədqiqatlarının ortak qeyri-xətti dinamik kavramlar altında kavramsal kimi sentezlenmesidir.

Mənbə, təmsilçi tədqiqatları üç əsas problem sinifına görə organize etmektedir: qeyri-xətti giriş-çıxış ilişkileri, zaman dinamikaları/adaptasiya və möhkəmləndirməli öyrənmə əsaslı idarəetmə siyasətləri.

Tədqiqatda sistematik icmallerde bəlavə edilən ətraflı məlumat bazası axtarış strategiyası, PRISMA axını, tədqiqat daxil etmə/istisna etmə ölçütleri və ya tədqiqat kalitesine ilişkin standart puanlama sistemi raporlanmamaktadır. Bu səbəbdən bu Verianla izahı kaynağı sistematik icmal və ya meta-analiz kimi keyfiyyətendirmemektedir.

Kanıt düzeyine ilişkin örütubətli qeyd

İcmalde incəlenen tədqiqatlar birbirinden örütubətli ölçüde fərqlidır. Bazıları insan hareketlerinden əlde edilen sEMG, IMU və ya hərəkət tutma məlumatlarıni kullanırken bazıları humanoid, pnevmatik robot, passiv dinamik yerişçi və ya başqa simüle edilmiş sistemləri araşdırır.

Buna görə bir tədqiqatda əlde edilen uğur birbaşa başqa bir insan populyasiyauna, sensor düzülüşine, reabilitasiya cihazına və ya robot sistemine genəllerütubətez.

AI və qeyri-xətti dinamikalar hakkında şərh sərhədi

Mənbənin əsas sonucu, daha karmaşık AI modəllərinin otomatik kimi daha bilimsəl və ya daha doğru olduğu değildir. Müəlliflər özəllikle kiçik məlumat şərtlərinda xətti metodlerin dayanıqlılıq, şərhlanabilirlik və hesablama səmərəliliyi açistilikndan üstün olabileceğini bəlirtmektedir.

Təklif edilən yanaşma, modəl seçimini metod tercihi üzərindən deyil; məlumatın yapistilik, örnoynaq ölçüsü, kısmi gözlenebilirlik, real zaman gereksinimi və bilimsəl soruya görə yapmaktır.

Qapalı dövrə tətbiqlar hakkında şərh sərhədi

İcmal, nəzəriyyə məlumatlı AI ilə insan-aktuator etkileşimini gəlecek üçün örütubətli bir tədqiqat yönü kimi tanımlamaktadır. Bu ifade, mövcud sistemlərin klinik və ya inamlik açistilikndan tamamlanmış olduğu anlamına gəlmez.

Müəlliflərın kendileri də real vaxtlı qapalı dövrə insan-AI sistemlərinin, değişen davranışa uyğunluq gösterip göstermediğini və öğrenilmiş politikaların həqiqətən adaptif mühərrik idarəetməsi temsil edip etmediğini doğrulamak üçün gerekli olduğunu vurgulamaktadır.

Bu Verianla metnindeki bilimsəl izahlar, örnek tədqiqat sinifları, metodler, məhdudiyyətlər və gəlecek yönleri yalnız incəlenen icmalnin sunduğu çərçivə və aktardığı tədqiqatlar əsasinde hazırlanmıştır. Mənbədə bulunmayan klinik uğur nisbətləri, tedavi nəticələrı və ya sahə performans dəyərləri eklenmemiştir.