İnsan hareketi, bir makinenin önceden belirlenmiş komutu aynı biçimde tekrar etmesi gibi çalışmaz. Sinir sistemi, kas-iskelet yapısı, duyusal geri bildirim, yorgunluk, öğrenme, çevre ve görev koşulları sürekli olarak birbirini etkiler. Bu nedenle yürüyüşten dengeye, kol hareketlerinden kuvvet üretimine kadar insan motor davranışı önemli ölçüde doğrusal olmayan, zamana bağlı ve bağlama duyarlı bir sistem olarak ortaya çıkar.

İncelenen derlemenin temel savı, insan hareketini anlamak için doğrusal olmayan dinamikler ile yapay zekânın birbirinin rakibi olarak değil, tamamlayıcısı olarak kullanılması gerektiğidir. Doğrusal olmayan dinamikler; faz, çekici, limit çevrim, manifold, kararlılık, bifürkasyon ve koordinasyon modu gibi hareketin organizasyonunu açıklayan yapıları tanımlar. Makine öğrenmesi ise bu yapıların yüksek boyutlu ve eksik ölçülen verilerden öğrenilmesini, gerçek zamanda tahmin edilmesini ve adaptif kontrol sistemlerinde kullanılmasını mümkün hale getirebilir.

Derleme üç temel problem sınıfına odaklanmaktadır. Birincisi, sensör ve görev verilerinden eklem momenti, hareket fazı veya koordinasyon modu gibi çıktıları tahmin eden doğrusal olmayan giriş-çıkış modelleridir. İkincisi, hareket ve sinirsel aktivitenin zaman içinde nasıl geliştiğini temsil eden zamansal dinamikler ve adaptasyon problemidir. Üçüncüsü ise pekiştirmeli öğrenmenin doğrusal olmayan sistem dinamikleriyle birleştirilerek denge, yürüme ve diğer karmaşık hareketlerde adaptif kontrol politikaları öğrenmesidir.

Kaynağın önemli mesajlarından biri, yalnız yüksek tahmin doğruluğunun bilimsel olarak yeterli olmadığıdır. Bir yapay zekâ modeli ölçülen hareketi başarıyla tahmin edebilir; ancak aynı model hareket sisteminin kararlılığını, koordinasyon geçişlerini, çekicilerini veya limit çevrimlerini doğru biçimde korumuyorsa insan motor kontrolünün altında yatan mekanizmayı öğrenmiş olmayabilir. Bu nedenle model değerlendirmesinin yalnız hata ölçütlerine değil, dinamik yapının korunmasına da dayanması gerektiği savunulmaktadır.

Derleme ayrıca günümüzdeki önemli sorunları açıkça ortaya koymaktadır: insan hareketi veri setleri çoğunlukla küçük ve göreve özgüdür; derin modeller aşırı öğrenebilir; farklı kişilere ve hareket koşullarına genelleme sınırlı olabilir; modeller fiziksel olarak olanaksız çıktılar üretebilir; sensör yerleşimi, ön işleme ve hiperparametre seçimleri sonuçları önemli ölçüde değiştirebilir. Açıklanabilirlik özellikle rehabilitasyon ve yardımcı robotik gibi insanla doğrudan etkileşen sistemlerde kritik bir sorun olarak görülmektedir.

Yazarların önerdiği gelecek yönü, daha büyük kara-kutu modeller üretmekten ziyade teori bilgili, fiziksel kısıtları içeren, açıklanabilir ve gerçek zamanlı kapalı çevrimde insanla birlikte sınanabilen AI sistemleri geliştirmektir. Böyle bir yaklaşımın sinirsel aktivite, kas aktivasyonu ve mekanik hareket arasındaki bağlantıyı daha bütüncül şekilde modelleyebileceği öne sürülmektedir.

Türkiye açısından: Çalışma Türkiye'deki belirli bir hasta grubu, laboratuvar, rehabilitasyon sistemi veya robot üzerinde gerçekleştirilmemiştir. Bununla birlikte ortaya konan çerçeve; Türkiye'deki rehabilitasyon robotları, dış iskeletler, protezler, yürüme destek sistemleri, spor biyomekaniği, giyilebilir hareket sensörleri, insan-robot iş birliği ve nöromühendislik araştırmaları açısından doğrudan araştırılabilir bir yaklaşım sunmaktadır. Özellikle kişiye özgü yardım sağlayan aktüatörlerde yalnız hareket sınıflandırması yapmak yerine kullanıcının fazını, kararlılığını ve değişen koordinasyon yapısını gerçek zamanda tahmin etmek önemli olabilir. Ancak derlemedeki sonuçlar herhangi bir AI destekli rehabilitasyon veya robotik kontrol sisteminin Türkiye'deki klinik ya da endüstriyel kullanım için hazır olduğunu göstermemektedir; güvenlik, klinik yarar, farklı popülasyonlara genelleme ve gerçek zamanlı kapalı çevrim doğrulaması ayrıca yapılmalıdır.

İnsan hareketindeki değişkenlik neden yalnızca “hata” değildir?

Klasik mühendislik yaklaşımında aynı girişin her seferinde aynı çıktıyı üretmesi genellikle istenen davranıştır. İnsan motor sistemi ise farklıdır. Aynı kişi aynı görevi tekrar ettiğinde dahi hareketin ayrıntıları birebir aynı olmaz.

Derleme, bu değişkenliğin yalnız sensör gürültüsü veya kontrol hatası olarak görülmemesi gerektiğini vurgulamaktadır. Hareket sistemi çözüm uzayını araştırır, çevresel değişikliklere uyum sağlar ve yorgunluk, bilişsel yük veya mekanik bozulmalar altında farklı stratejiler geliştirebilir.

Bu nedenle işlevsel motor kontrol, sıfır değişkenlikten ziyade kararlılık ile esneklik arasında uygun bir denge olarak ele alınmaktadır.

Doğrusal olmayan sistem ne demektir?

Doğrusal bir sistemde girişteki değişimin çıktı üzerindeki etkisi belirli orantılı ilişkilerle açıklanabilir. İnsan hareketinde ise kas kuvveti, eklem geometrisi, sinirsel kontrol, duyusal geri bildirim ve çevre arasındaki ilişkiler çoğu zaman bu kadar basit değildir.

Küçük bir görev değişikliği bazen küçük bir hareket değişikliğine yol açarken, bazı koşullarda koordinasyon biçiminin tamamen değişmesine neden olabilir. Örneğin bir sistem belirli bir hareket frekansına kadar bir koordinasyon biçimini korurken kritik bir noktadan sonra başka bir koordinasyon biçimine geçebilir.

Bu tür davranışlar doğrusal olmayan dinamik sistemler dilinde çekiciler, faz ilişkileri, kararlılık değişimleri ve bifürkasyonlar üzerinden incelenebilir.

Çekici nedir?

Çekici (attractor), dinamik bir sistemin zaman içinde yönelmeye veya çevresinde kalmaya eğilimli olduğu durum ya da davranış yapısını ifade eder.

İnsan hareketinde belirli bir yürüyüş ritmi, postüral koordinasyon biçimi veya salınımlı hareket düzeni dinamik bir çekici gibi düşünülebilir. Sisteme küçük bir bozucu etki geldiğinde hareket yeniden aynı düzenin çevresine dönüyorsa bu yapı belirli ölçüde kararlıdır.

AI açısından kritik soru, modelin yalnız ölçülen koordinatları tahmin edip etmediği değil, gerçek sistemdeki bu kararlı yapıyı da öğrenip öğrenmediğidir.

Limit çevrim neden yürüyüş için önemli?

Tekrarlanan yürüme gibi periyodik hareketlerde sistemin faz uzayındaki davranışı kapalı bir yörüngeye yaklaşabilir. Bu yapı limit çevrim olarak adlandırılır.

Kararlı bir limit çevrim, küçük bir bozucu etkiden sonra sistemin tekrar periyodik yürüyüş biçimine dönebilmesini ifade eder. Bu nedenle yalnız eklem açılarını doğru tahmin etmek, yürüyüş kontrolünü anlamak için yeterli olmayabilir.

Modelin çevrimin kararlılığını, bozucu etkilerden sonra geri dönüşünü ve farklı parametrelerde çevrimin nasıl değiştiğini de temsil edebilmesi gerekir.

Faz neden AI ile gerçek zamanda tahmin edilmeye çalışılıyor?

Döngüsel hareketlerde faz, hareket çevriminin hangi noktasında bulunulduğunu ifade eden temel dinamik değişkenlerden biridir.

Örneğin yardımcı yürüme robotu açısından yalnız “kişi yürüyor” bilgisini bilmek yeterli değildir. Aktüatörün ne zaman kuvvet uygulayacağı açısından kullanıcının adım fazının da bilinmesi gerekir.

Klasik faz çıkarım yöntemlerinin bir kısmı çevrim dışı çalışmaya veya belirli sinyal koşullarına dayanabilir. Derlemede incelenen çalışmalardan biri, kısa üç boyutlu hareket geçmişinden anlık fazı tahmin etmek amacıyla LSTM tabanlı bir model kullanmaktadır.

Böylece doğrusal olmayan dinamiklerden gelen “faz” kavramı, yapay zekâ tarafından gerçek zamanda tahmin edilebilecek bir kontrol değişkenine dönüşmektedir.

Manifold kavramı ne anlatıyor?

Beyinde binlerce veya çok daha fazla nöral değişken ölçülebilmesine rağmen davranış sırasında bu aktivitenin tamamı birbirinden bağımsız hareket etmez. Derlemede ele alınan çalışmalar, yüksek boyutlu sinirsel aktivitenin daha düşük boyutlu fakat doğrusal olmayan geometrik yapılarda organize olabileceğini tartışmaktadır.

Bu yapılara manifold yaklaşımıyla bakıldığında, davranışın altında yatan koordinasyon düzenleri yüksek boyutlu ham veriden daha anlamlı bir durum uzayında temsil edilebilir.

Burada yapay zekânın görevi yalnız boyut azaltmak değildir. Esas bilimsel beklenti, öğrenilen düşük boyutlu uzayın gerçek sinirsel veya motor sistemdeki dinamik organizasyonu korumasıdır.

Kısmi gözlenebilirlik neden önemli?

İnsan motor sisteminin gerçek durumu hiçbir zaman bütünüyle ölçülemez. Bir giyilebilir sensör yalnız ivmeyi ölçebilir; EMG bazı kasların aktivitesini yakalayabilir; EEG veya MEG sinirsel aktivitenin belirli bir bölümünü temsil edebilir.

Dolayısıyla AI sistemi gerçek motor durumun yalnız bir kısmını görmektedir.

Derleme, bu nedenle kısa zaman geçmişinin kritik olduğunu vurgulamaktadır. Tek bir andaki ölçüm yeterli bilgi sağlamıyorsa geçmiş gözlemler kullanılarak gizli durum hakkında daha güçlü kestirim yapılabilir.

Gecikmeli koordinat yerleştirme ve zamansal derin öğrenme yöntemleri bu nedenle motor kontrol açısından yalnız bir yazılım tercihi değil, kısmi gözlenebilirliğin çözümüne yönelik dinamik bir yaklaşım olarak ele alınmaktadır.

AI doğrusal olmayan giriş-çıkış ilişkilerini nasıl öğreniyor?

Derlemenin ilk ana problem sınıfı, ölçülebilen girişlerden kontrol açısından anlamlı çıktılar tahmin etmektir.

Kaynakta verilen temsilî örnekler arasında:

Derin pekiştirmeli öğrenme insan benzeri koordinasyonu nasıl ortaya çıkarabiliyor?

Kaynağın tartıştığı dikkat çekici örneklerden biri ayakta dururken baş ile hedef takip görevidir.

İnsanlarda kalça ve ayak bileğinin hareket ilişkisi, görev frekansına göre farklı koordinasyon rejimlerine geçebilir. Düşük frekanslarda aynı fazlı, yüksek frekanslarda ise karşıt fazlı koordinasyon görülebilir.

Model-free PPO kullanan simüle edilmiş humanoid, vücudun dinamik denklemleri kendisine açık biçimde verilmeden denge görevini öğrenmiş ve görev frekansı değiştikçe bu iki koordinasyon modu arasındaki geçişi yeniden üretmiştir.

Daha önemlisi, öğrenilen davranış yalnız eklem yörüngeleriyle değerlendirilmemiş; kalça ve ayak bileği arasındaki göreli faz ve korelasyon gibi doğrusal olmayan koordinasyon ölçütleriyle analiz edilmiştir.

Derlemenin ana fikri burada çok nettir: AI'ın bilimsel değeri, yalnız hedef hareketi taklit etmesinden değil, insan davranışında tanımlanan dinamik koordinasyon yapısını yeniden üretmesinden gelmektedir.

Zamansal sinirsel dinamikler neden statik sınıflandırmadan farklı?

Sinir sistemi içinde bilgi her zaman sabit bir aktivasyon seviyesi olarak temsil edilmeyebilir. Bazı hesaplamalarda bilginin farklı salınımlar arasındaki faz ilişkilerinde saklanabileceği tartışılmaktadır.

Derlemede ele alınan RNN çalışmaları, salınımlı çalışma belleği görevlerinde ağların eğitimden sonra farklı uyaranları farklı kararlı faz ilişkileriyle temsil eden faz kilitli limit çevrim çekicileri geliştirebildiğini göstermektedir.

Bu ağlar yalnız kara kutu olarak bırakılmamış; Poincaré kesitleri, geri dönüş haritaları ve Floquet çarpanları gibi dinamik sistem araçları kullanılarak öğrenilmiş yapının kararlılığı analiz edilmiştir.

Bu yaklaşım, yapay zekâ ile doğrusal olmayan dinamiklerin birleşmesinin ne anlama geldiğine iyi bir örnektir: ağ görevi öğrenir, ardından dinamik sistem analizi ağın ne öğrendiğini mekanistik terimlerle çözümlemeye çalışır.

Pekiştirmeli öğrenme her şeyi kendi başına mı kontrol etmeli?

Derlemenin yanıtı hayırdır.

Bazı örneklerde en güçlü yaklaşım tamamen öğrenilmiş kontrol yerine hibrit kontrol yapısıdır. Sistem iyi anlaşılan çalışma bölgesindeyken klasik doğrusal olmayan kontrol kararlılığı sağlar; durum nominal bölgeden uzaklaştığında ise öğrenilmiş politika daha geniş durum uzayında toparlanma görevi üstlenebilir.

Pasif dinamik iki ayaklı yürüme örneğinde bu yaklaşım özellikle belirgindir. Sistem kaotik davranış gösterebildiği için hedef, kararlı periyodik yürüyüşe geri dönmektir.

Durum istenen kararsız periyodik yörüngenin yakınındaysa OGY temelli kaos kontrolüyle kalça rijitliği ayarlanırken, durum uzaklaştığında DQN tabanlı politika sistemi tekrar kararlı bölgeye yöneltecek impuls torkları üretmektedir.

Böylece AI küresel toparlanma ve keşif, analitik kontrol ise yerel kararlılık işlevini üstlenmektedir.

Pnömatik kas-iskelet robotu neden önemli bir örnek?

Derlemedeki başka bir örnekte pnömatik kas benzeri aktüatörler kullanan robotlarda histerezis ve gecikme gibi güçlü doğrusal olmayan özellikler ele alınmaktadır.

Bu sistemlerde yalnız fizik tabanlı model bütün davranışı doğru temsil etmekte zorlanabilir. Tamamen veri tabanlı model ise fiziksel anlamlılığını kaybedebilir.

Çözüm olarak fiziksel modelin üzerine öğrenilmiş Gaussian Process artık dinamiklerinin eklenmesi ve bunun model tabanlı pekiştirmeli öğrenme / MPC yapısı içinde kullanılması incelenmektedir.

Bu yaklaşım, fiziksel olarak bilinen kısmın korunup yalnız bilinmeyen veya modellenemeyen bölümün AI tarafından öğrenilmesi fikrini temsil etmektedir.

AI tahmin yapabiliyorsa sistemi açıklamış sayılır mı?

Hayır. Derlemenin en önemli ayrımlarından biri tahmin ile açıklama arasındadır.

Bir model gelecekteki eklem konumunu düşük hatayla tahmin edebilir. Ancak bu başarı tek başına neden belirli koordinasyon biçiminin ortaya çıktığını, neden başka bir rejime geçildiğini veya sistemin bozucu etkiye karşı neden kararlı olduğunu açıklamaz.

Bilimsel açıklama için öğrenilmiş yapıların:

• çekiciler,
• limit çevrimler,
• faz ilişkileri,
• bifürkasyonlar,
• kararlılık bölgeleri,
• koordinasyon modları

gibi kontrol açısından anlamlı yapılarla ilişkilendirilebilmesi gerekir.

Yüksek R² veya düşük hata neden yeterli olmayabilir?

Makine öğrenmesinde model başarısı çoğu zaman tahmin hatası veya korelasyon gibi ölçülerle değerlendirilir. Derleme, motor kontrol ve dinamik sistem problemlerinde bunun yeterli olmadığını savunmaktadır.

Bir model kısa zaman aralığında doğru tahmin yapabilir fakat uzun vadede gerçek çekiciden uzaklaşabilir. Bir başka model noktasal olarak daha fazla hata yapmasına rağmen sistemin limit çevrimini, faz geçişini veya istatistiksel dinamik özelliklerini doğru koruyabilir.

Dolayısıyla değerlendirme amaca göre değişmelidir:

Neden doğrusal yöntemleri tamamen bırakmamak gerekiyor?

Derleme, doğrusal olmayan yaklaşımı savunurken önemli bir denge kurmaktadır: doğrusal olmayan yöntemler her durumda daha iyi değildir.

Özellikle veri miktarının az olduğu araştırmalarda doğrusal modeller:

• daha kararlı,
• daha kolay yorumlanabilir,
• daha düşük hesaplama maliyetli,
• aşırı öğrenmeye karşı daha dayanıklı

olabilir.

PCA gibi doğrusal boyut azaltma araçlarının bile doğrusal olmayan bir sistemdeki bazı düşük boyutlu yapıları yararlı biçimde ortaya çıkarabileceği belirtilmektedir.

Bu nedenle doğru soru “doğrusal mı, doğrusal olmayan mı?” değil; verinin yapısı, veri miktarı ve bilimsel amaç için hangi modelleme çerçevesinin uygun olduğudur.

Kara kutu problemi

Derlemenin ilk büyük sınırlılığı, karmaşık AI modellerinin iç temsilinin insan motor kontrolündeki anlamlı kavramlara karşılık gelmemesidir.

Bir derin ağ yüksek performans gösterebilir ancak hangi iç değişkenin kararlılık, koordinasyon veya kontrol stratejisini temsil ettiği bilinmeyebilir.

Bu problem özellikle rehabilitasyon ve yardımcı cihazlarda önemlidir. İnsanla fiziksel etkileşimde bulunan sistemin neden belirli bir yardım kuvveti uyguladığının yalnız performans açısından değil, güvenlik ve bilimsel yorum açısından da anlaşılabilir olması gerekir.

Küçük ve heterojen veri problemi

İnsan motor kontrolü araştırmalarında veri setleri çoğu zaman:

• az sayıda katılımcıya,
• belirli bir laboratuvar görevine,
• belirli hareket hızlarına,
• belirli yaş veya sağlık gruplarına,
• belirli sensör düzenlerine

dayanmaktadır.

Bu durum büyük parametre sayısına sahip AI mimarilerinde ciddi genelleme riski oluşturur. Laboratuvarda çok başarılı görünen bir model başka hareketlerde, farklı popülasyonlarda veya yorgunluk gibi yeni koşullarda başarısız olabilir.

Fiziksel olarak olanaksız tahmin riski

Salt istatistiksel model veride bulunan korelasyonları öğrenebilir; ancak biyomekanik kısıtları bilmiyorsa fiziksel olarak olanaksız bir kuvvet, eklem hareketi veya kontrol davranışı üretebilir.

Bu nedenle derleme, biyomekanik veya nöromekanik bilgilerin öğrenme mimarisine doğrudan eklenmesini önemli bir gelecek yönü olarak görmektedir.

Fizik bilgili sinir ağları, diferansiyellenebilir fizik katmanları, analitik dinamik + öğrenilmiş artık model ve semiparametrik modeller bu düşüncenin farklı uygulama biçimleridir.

Tekrarlanabilirlik sorunu

AI tabanlı motor kontrol sonuçları yalnız model mimarisine bağlı değildir. Kaynak şu unsurların da sonuçları değiştirebileceğini vurgulamaktadır:

• ön işleme yöntemi,
• sensörün vücutta bulunduğu konum,
• hiperparametre seçimi,
• kullanılan değerlendirme metriği,
• verinin görev ve katılımcı dağılımı.

Bu değişkenler standartlaştırılmadığında farklı çalışmaların sonuçlarını doğrudan karşılaştırmak güçleşmektedir.

Geleceğin modeli nasıl olmalı?

Derlemenin önerdiği yaklaşım dört temel öğeyi birleştirmektedir:

1. Teori bilgili temsil: faz, çekici, manifold, kararlılık veya koordinasyon modu gibi bilimsel olarak anlamlı durum değişkenleri kullanılmalı.
2. Hibrit fizik + AI: bilinen biyomekanik yapı korunmalı; AI bilinmeyen veya kişiye özgü bölümü öğrenmeli.
3. Dinamik doğrulama: yalnız tahmin hatası değil, sistemin çekicileri, geçişleri ve kararlılığı da test edilmeli.
4. Kapalı çevrim insan-AI doğrulaması: modeller yalnız önceden kaydedilmiş veride değil, gerçek zamanda insanla etkileşim sırasında da sınanmalı.

İnsan-aktüatör sistemleri açısından neden önemli?

Bir rehabilitasyon robotu veya dış iskelet yalnız insanın o andaki hareketini okumakla yetinmemelidir. İdeal olarak sistem:

• kişinin mevcut motor durumunu kestirmeli,
• hareket fazını belirlemeli,
• koordinasyonun kararlı olup olmadığını değerlendirmeli,
• yorgunluk veya öğrenmeyle oluşan değişimi fark etmeli,
• yardım düzeyini buna göre değiştirmeli

ve bütün bunları kapalı çevrimde gerçekleştirmelidir.

Derlemenin ileri sürdüğü bilimsel yön, insan ile aktüatör arasındaki bu ilişkiyi sabit bir kontrol problemi yerine iki tarafın da zaman içinde değişebildiği adaptif bir dinamik sistem olarak ele almaktır.

Çalışmanın Yöntemi ve Bulguları

Çalışma tasarımı

Bu çalışma yeni katılımcı verisi, yeni klinik deney veya yeni robot deneyi üretmemektedir. Yazarlar mevcut literatürdeki temsilî araştırmaları kavramsal ve yöntemsel bir çerçevede sentezlemektedir.

Derlemenin ana sınıflandırması araştırmaları kullandıkları algoritmaya göre değil, çözmeye çalıştıkları doğrusal olmayan motor kontrol problemine göre oluşturmaktadır:

1. doğrusal olmayan giriş-çıkış ilişkileri,
2. zamansal dinamikler ve adaptasyon,
3. pekiştirmeli öğrenme ve kontrol politikaları.

Sistematik derleme sınırı

Kaynakta literatürün hangi veri tabanlarından, hangi sorgularla ve hangi dahil etme/dışlama ölçütleriyle seçildiğini tanımlayan sistematik bir arama protokolü verilmemektedir.

Çalışma, seçilen temsilî araştırmalar üzerinden kavramsal bir sentez yapmaktadır. Bu nedenle Tablo 1-3'teki çalışmalar bütün ilgili literatürün eksiksiz veya istatistiksel olarak ağırlıklandırılmış bir örneklemi olarak değerlendirilmemelidir.

Derlemenin üç veri tablosu

Tablo 1, doğrusal olmayan motor kontrol göstergelerini AI tabanlı giriş-çıkış modelleme yöntemleriyle eşleştirmektedir. Örnekler arasında sEMG, ivmeölçer, IMU ve hareket yakalama verileri; CWT, Lyapunov üssü, entropi ve faz değişkenleri; SVM, XGBoost, CNN, Bi-LSTM, PPO ve LSTM gibi yöntemler bulunmaktadır.

Tablo 2, zamansal ve manifold tabanlı temsilleri ele almaktadır. Kaotik sistemlerin kısmi gözlemlerden yeniden oluşturulması, doğrusal olmayan sinirsel manifoldlar, postüral koordinasyon ve faz-kodlu çalışma belleği gibi örnekler üzerinden ResNet tabanlı dinamik modeller, gecikmeli koordinat ağları, RNN ve PPO yaklaşımları tartışılmaktadır.

Tablo 3, doğrusal olmayan motor ve aktüatör sistemlerinin AI destekli kontrolünü özetlemektedir. Kanat çırpan uçuş sistemi, insan postür kontrolü, humanoid koordinasyon, böcek lokomosyonu, pnömatik kas-iskelet robotu ve pasif dinamik iki ayaklı yürüme gibi farklı sistemler aynı kavramsal çerçevede değerlendirilmektedir.

Sentezlenen temel bulgu 1: AI ancak dinamik yapı korunuyorsa bilimsel olarak daha anlamlı hale geliyor

Derlemenin en temel sonucu, yapay zekânın doğrusal olmayan davranışı tahmin edebilmesinin tek başına yeterli olmadığıdır.

Bilimsel açıdan daha güçlü model, öğrendiği temsillerde motor kontrolün düzenleyici yapıları olan:

• manifold geometrisini,
• faz ilişkilerini,
• çekicileri,
• limit çevrimleri,
• bifürkasyonları,
• kararlılık özelliklerini

koruyabilen modeldir.

Sentezlenen temel bulgu 2: AI'ın güçlü olduğu alan kısmi gözlenebilirlik ve karmaşık eşlemelerdir

İnsan motor sistemi tam olarak ölçülemediği için AI'ın önemli katkılarından biri, sınırlı sensörlerden gizli veya türetilmiş motor durumlarını kestirebilmesidir.

Derlemede bu durum gerçek zamanlı faz kestirimi, eklem momenti tahmini ve kısmi gözlemden dinamik durum yeniden oluşturma örnekleriyle gösterilmektedir.

Sentezlenen temel bulgu 3: Zaman geçmişi yalnız ek bilgi değildir

Kısmi gözlenebilir sistemlerde anlık sensör değeri gerçek sistemi tanımlamak için yetersiz olabilir. RNN, LSTM ve gecikmeli koordinat yaklaşımlarının avantajı, geçmiş ölçümlerin sistemin gizli durumunu ortaya çıkarmak için kullanılabilmesidir.

Derleme bu nedenle zamansal belleği yalnız model performansını yükselten pratik bir özellik değil, gizli durumlu dinamik sistemleri modellemenin teorik gereksinimlerinden biri olarak değerlendirmektedir.

Sentezlenen temel bulgu 4: RL ile doğrusal olmayan kontrol birbirinin alternatifi olmak zorunda değildir

İncelenen örneklerde pekiştirmeli öğrenme, bazı durumlarda klasik kontrolün yerine geçerken bazı durumlarda onunla birlikte kullanılmaktadır.

Özellikle karmaşık ve geniş durum uzayında AI'ın adaptasyon ve toparlanma yeteneği; iyi tanımlanmış yerel bölgelerde ise analitik kontrolün kararlılık özellikleri bir araya getirilebilir.

Bu yapı, “öğrenilmiş politika mı yoksa fizik tabanlı kontrol mü?” ikilemi yerine iki yaklaşım arasında görev paylaşımı önermektedir.

Sentezlenen temel bulgu 5: Kapalı çevrim doğrulama kritik eksiklerden biridir

Birçok AI motor kontrol sistemi çevrim dışı veri üzerinde tahmin başarısıyla değerlendirilmektedir. Derleme, gerçek adaptif motor kontrolün kanıtlanması için modelin insanla veya fiziksel sistemle gerçek zamanda etkileşmesi gerektiğini savunmaktadır.

Model ancak bozucu etkiler, yorgunluk, değişen hedefler ve kişinin zaman içinde değişen davranışı altında başarılı biçimde adaptasyon gösterdiğinde statik korelasyon öğrenmekten daha ileri bir kontrol yeteneği ortaya koymuş olur.

Başlıca mevcut sınırlılıklar

Önerilen gelecek araştırma mimarisi

Kaynağın sonuç bölümünde üç ana gereksinim öne çıkarılmaktadır:

1. Teori bilgili ve hibrit mimariler: biyomekanik ve kontrol yapısının modele gömülmesi, AI'ın ise kalan belirsizliği öğrenmesi.
2. Dinamik doğruluğu test eden değerlendirme: yalnız tahmin performansı değil, kararlılık, geçişler ve değişmez yapıların korunmasının da değerlendirilmesi.
3. Gerçek zamanlı kapalı çevrim doğrulama: modelin bozucu etkiler, yorgunluk ve değişen amaçlar altında adaptasyonunun sınanması.

Çalışmanın desteklediği sonuçlar

• Doğrusal olmayan dinamikler ve AI birbirini tamamlayan araçlar olarak kullanılabilir.
• Faz, çekici, manifold ve kararlılık gibi dinamik değişkenler AI modellerine bilimsel yapı kazandırabilir.
• Zamansal AI modelleri kısmen gözlenen motor sistemlerde gizli durum kestirimini destekleyebilir.
• Pekiştirmeli öğrenme adaptif koordinasyon ve kontrol politikalarının öğrenilmesinde kullanılabilir.
• Fizik tabanlı modeller ile öğrenilmiş artık dinamiklerinin birleştirilmesi yorumlanabilirlik ve adaptasyon arasında denge kurabilir.
• AI değerlendirmesi yalnız noktasal tahmin doğruluğuna dayanmamalıdır.
• Doğrusal modeller küçük veri veya yüksek yorumlanabilirlik gerektiren bazı problemlerde hâlâ tercih edilebilir.
• Gerçek zamanlı insan-AI kapalı çevrim deneyleri alanın önemli gelecek gereksinimlerindendir.

Çalışmanın kanıtlamadığı sonuçlar

• AI'ın bütün insan motor kontrol modellerinde doğrusal veya analitik yöntemlerden üstün olduğu gösterilmemiştir.
• Tek bir AI mimarisinin bütün hareket türlerinde en iyi yöntem olduğu gösterilmemiştir.
• Derleme yeni bir klinik tedavinin etkinliğini test etmemektedir.
• Herhangi bir rehabilitasyon robotunun hasta sonuçlarını iyileştirdiğine ilişkin yeni klinik veri üretmemektedir.
• Kapalı çevrim AI kontrolünün insanlarda genel güvenliği kanıtlanmamıştır.
• Temsilî çalışmaların sonuçları tek bir ortak veri setinde yeniden analiz edilmemiştir.
• Nicel meta-analiz yapılmamıştır.
• Derlemede tartışılan bütün AI sistemlerinin gerçek zamanlı saha uygulamasına hazır olduğu sonucuna varılamaz.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Learning Nonlinear Motor Control: How Integrating Machine Learning and Nonlinear Dynamics Reveals Structure, Adaptation, and Control in Human Movement

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

Sorumlu yazar: Armin Hakkak Moghadam Torbati.

Kurumlar: Université Libre de Bruxelles, Faculty of Human Motor Sciences, Laboratory of Functional Anatomy, Belçika; UNI-ULB Neuroscience Institute, Laboratoire de Neuroanatomie et Neuroimagerie Translationnelles, Belçika; Cleveland State University, Center for Gene Regulation in Health and Disease, ABD; Cleveland State University, Department of Biology, Geology, and Environmental Sciences, ABD; University of Parma, Department of Engineering and Architecture, Internet of Things Laboratory, İtalya.

Kaynak türü: Derleme (Review).

Dergi: Actuators.

Yayınevi: MDPI.

Yayın: 2026, Cilt 15, Makale 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 bağlantı:https://doi.org/10.3390/act15030166

Lisans: Creative Commons Attribution (CC BY).

Finansman: Yazarlar çalışmanın dış finansman almadığını bildirmiştir.

Etik kurul: Uygulanabilir değil olarak bildirilmiştir.

Bilgilendirilmiş onam: Uygulanabilir değil olarak bildirilmiştir.

Veri erişilebilirliği: Bu derlemede yeni veri oluşturulmadığı ve veri paylaşımının uygulanabilir olmadığı belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını bildirmiştir.

Görsel üretim beyanı: Kaynağın Şekil 1'deki bilimsel içeriğinin yazarlar tarafından oluşturulduğu; yapay zekâ tabanlı bir görüntü düzenleme aracının yalnız renk ve yerleşimin grafiksel iyileştirilmesinde kullanıldığı bildirilmiştir.

Derleme yöntemine ilişkin önemli not

Çalışmada yeni bir insan deneyi, yeni robot deneyi veya yeni ölçüm veri seti bulunmamaktadır. Bilimsel katkı, farklı motor kontrol ve AI araştırmalarının ortak doğrusal olmayan dinamik kavramlar altında kavramsal olarak sentezlenmesidir.

Kaynak, temsilî çalışmaları üç ana problem sınıfına göre organize etmektedir: doğrusal olmayan giriş-çıkış ilişkileri, zamansal dinamikler/adaptasyon ve pekiştirmeli öğrenme tabanlı kontrol politikaları.

Çalışmada sistematik derlemelerde beklenen ayrıntılı veri tabanı arama stratejisi, PRISMA akışı, çalışma dahil etme/dışlama ölçütleri veya çalışma kalitesine ilişkin standart puanlama sistemi raporlanmamaktadır. Bu nedenle bu Verianla açıklaması kaynağı sistematik derleme veya meta-analiz olarak nitelendirmemektedir.

Kanıt düzeyine ilişkin önemli not

Derlemede incelenen araştırmalar birbirinden önemli ölçüde farklıdır. Bazıları insan hareketlerinden elde edilen sEMG, IMU veya hareket yakalama verilerini kullanırken bazıları humanoid, pnömatik robot, pasif dinamik yürüteç veya başka simüle edilmiş sistemleri incelemektedir.

Dolayısıyla bir çalışmada elde edilen başarı doğrudan başka bir insan popülasyonuna, sensör düzenine, rehabilitasyon cihazına veya robot sistemine genellenemez.

AI ve doğrusal olmayan dinamikler hakkında yorum sınırı

Kaynağın temel sonucu, daha karmaşık AI modellerinin otomatik olarak daha bilimsel veya daha doğru olduğu değildir. Yazarlar özellikle küçük veri koşullarında doğrusal yöntemlerin kararlılık, yorumlanabilirlik ve hesaplama verimliliği açısından üstün olabileceğini belirtmektedir.

Önerilen yaklaşım, model seçimini yöntem tercihi üzerinden değil; verinin yapısı, örneklem büyüklüğü, kısmi gözlenebilirlik, gerçek zaman gereksinimi ve bilimsel soruya göre yapmaktır.

Kapalı çevrim uygulamalar hakkında yorum sınırı

Derleme, teori bilgili AI ile insan-aktüatör etkileşimini gelecek için önemli bir araştırma yönü olarak tanımlamaktadır. Bu ifade, mevcut sistemlerin klinik veya güvenlik açısından tamamlanmış olduğu anlamına gelmez.

Yazarların kendileri de gerçek zamanlı kapalı çevrim insan-AI sistemlerinin, değişen davranışa uyum gösterip göstermediğini ve öğrenilmiş politikaların gerçekten adaptif motor kontrolü temsil edip etmediğini doğrulamak için gerekli olduğunu vurgulamaktadır.

Bu Verianla metnindeki bilimsel açıklamalar, örnek araştırma sınıfları, yöntemler, sınırlılıklar ve gelecek yönleri yalnız incelenen derlemenin sunduğu çerçeve ve aktardığı çalışmalar temelinde hazırlanmıştır. Kaynakta bulunmayan klinik başarı oranları, tedavi sonuçları veya saha performans değerleri eklenmemiştir.