Araştırma, yedi serbestlik dereceli insan alt ekstremitesi ekzoskeleton robotunun eklem torklarını gerçek zamanlı kontrole uygun biçimde tahmin etmek amacıyla fizik tabanlı verilerle eğitilmiş bir derin sinir ağı ve artık izleme hatalarını düzelten PD geri besleme kontrolcüsünden oluşan hibrit bir yapı geliştirmektedir. Robotun analitik dinamik modeli kullanılarak önce 43.560.880 veri örneği üretilmiş, veri miktarı onda bire indirilerek 4.356.088 örnekle ağ eğitilmiştir. Geliştirilen ağ 23 giriş değişkenini yedi eklem torkuna eşlemekte; üç gizli katmanda sırasıyla 21, 14 ve 7 nöron, çıkış katmanında ise 7 nöron kullanmaktadır. Simülasyon karşılaştırmalarında DNN–PD kontrolcü, computed torque, model reference computed torque, sliding mode, adaptive ve LQR kontrolcülerle aynı robot dinamiği altında düşük yörünge izleme hataları üretmiştir. Ancak sonuçların tamamı modelleme ve simülasyona dayanmaktadır; fiziksel ekzoskeleton veya insan katılımcı üzerinde gerçek zamanlı donanım doğrulaması yapılmamıştır.

Çalışmanın temel yaklaşımı, robotun kütle matrisi, Coriolis–merkezkaç etkileri, yerçekimi ve diğer doğrusal olmayan dinamiklerini her kontrol çevriminde analitik olarak yeniden hesaplamak yerine, bu giriş–çıkış ilişkisini önceden eğitilmiş bir derin sinir ağıyla yaklaşık olarak temsil etmektir. Ağ, istenen yedi eklem konumu, hızı ve ivmesi ile kullanıcının boy ve ağırlık bilgilerini kullanarak gereken yedi eklem torkunu öngörür. DNN çıkışı ileri besleme torku olarak uygulanırken, PD kontrolcü modelleme ve tahmin hatalarına karşı geri besleme düzeltmesi sağlar.

Makaledeki kontrol karşılaştırmasına göre önerilen hibrit DNN–PD yöntemi hem sıralı hem de eşzamanlı eklem hareketlerinde bütün eklemler için 1°'nin altında hata üretmiştir. Tablo 6'da sıralı hareketlerde hibrit kontrolcünün en yüksek hata değeri dördüncü eklemde 0,1115°; Tablo 7'de eşzamanlı hareketlerde en yüksek değer birinci eklemde 0,1181° olarak verilmiştir. Bununla birlikte aynı makalenin önceki simülasyon bölümünde yaklaşık 0,26°'ye ulaşan başka maksimum hata değerleri de raporlandığından, iki sonuç kümesi birbirinden ayrılarak değerlendirilmelidir.

Türkiye açısından değerlendirme: Çalışmanın yaklaşımı Türkiye'deki rehabilitasyon robotları, giyilebilir robotik, mekatronik, yapay zekâ destekli hareket kontrolü ve çok serbestlik dereceli robot sistemleri araştırmaları açısından yöntemsel değer taşıyabilir. Özellikle fizik tabanlı simülasyon verisinin derin öğrenme için eğitim verisine dönüştürülmesi, analitik robot modeli ile veri güdümlü kontrolün birbirinin alternatifi değil birbirini tamamlayan bileşenler olarak kullanılabileceğini göstermektedir. Ancak çalışma herhangi bir Türkiye popülasyonu üzerinde yapılmamış, fiziksel hasta rehabilitasyonu değerlendirilmemiş ve gerçek donanım güvenliği test edilmemiştir. Bu nedenle sonuçlardan klinik etkinlik, hasta performansı veya doğrudan sağlık hizmeti uygulaması çıkarılamaz.

Araştırmanın çözmeye çalıştığı problem nedir?

Çok serbestlik dereceli robotlarda dinamik kontrol, robotun hareketi sırasında değişen atalet, yerçekimi, Coriolis–merkezkaç kuvvetleri ve eklem sürtünmesi gibi doğrusal olmayan etkilerin hesaba katılmasını gerektirir. Geleneksel computed torque gibi model tabanlı yöntemler bu dinamik terimleri kontrol çevrimi sırasında hesaplayarak robotu doğrusal ve ayrıştırılmış bir sisteme dönüştürmeye çalışır.

Serbestlik derecesi yükseldikçe bu işlem daha karmaşık hâle gelir. Özellikle tork tabanlı kontrolün yüksek örnekleme hızlarında çalışması gerektiğinde dinamik model değerlendirmesi ve matris işlemlerinin her çevrimde tekrarlanması gerçek zamanlı kontrol için hesaplama yükü oluşturabilir.

Araştırmanın önerisi, analitik dinamik modeli tamamen terk etmek değildir. Tam tersine, analitik model önce büyük miktarda fizik tabanlı eğitim verisi üretmek amacıyla kullanılır. Daha sonra derin sinir ağı bu dinamiğin giriş–çıkış ilişkisini öğrenir ve çalışma sırasında gereken torku daha paralel hesaplanabilir bir ağ yapısıyla tahmin eder.

Yedi serbestlik derecesi hangi eklemleri temsil ediyor?

Model insan alt ekstremitesindeki yedi hareket bileşenini temsil etmektedir:

1. Kalça abdüksiyon/adduksiyon,
2. Kalça fleksiyon/ekstansiyon,
3. Kalça iç/dış rotasyon,
4. Diz fleksiyon/ekstansiyon,
5. Alt bacak iç rotasyonu,
6. Ayak bileği dorsifleksiyon/plantar fleksiyon,
7. Ayak pronasyon/supinasyonu.

Koordinat sistemleri değiştirilmiş Denavit–Hartenberg yaklaşımıyla tanımlanmış ve yedi bağlantının dönüşüm matrisleri ardışık biçimde birleştirilerek uç noktanın taban koordinat sistemine göre konumu ve yönelimi oluşturulmuştur.

Robot dinamiği nasıl modellenmiştir?

Hareket denklemleri Lagrange enerji yaklaşımıyla türetilmiştir. Robot dinamiğinin temel gösterimi çalışmada şu biçimde verilmektedir:

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

Burada \(M(\theta)\), konuma bağlı ve 7 × 7 boyutlu pozitif tanımlı kütle/atalet matrisini; \(V(\theta,\dot{\theta})\), Coriolis ve merkezkaç terimlerini; \(G(\theta)\), yerçekimi etkisini; \(\tau_{\mathrm{Joint}}\) ise yedi eklemde gereken tork vektörünü ifade etmektedir.

Gerçek mekanik eklemlerde sürtünme de bulunduğundan model daha sonra:

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

biçimine genişletilmiştir.

Sürtünme modeli Coulomb sürtünmesi, viskoz sürtünme ve Stribeck etkisini birlikte içermektedir. Simülasyon örneğinde tepe sürtünme torku 100 Nm, viskoz sürtünme katsayısı 5 Nm/(rad/s), kırılma hızı 0,01 rad/s ve Coulomb bileşeni tepe torkunun %10'u olarak kullanılmıştır.

Kullanıcının boyu ve ağırlığı neden kontrol modeline giriyor?

Ekzoskeletonun hareket ettirmek zorunda olduğu mekanik sistem yalnız robot bağlantılarından oluşmamaktadır; çalışmada insan alt ekstremitesinin antropometrik özellikleri de dinamik modelin parçasıdır. Araştırmacı, kullanıcının boyu ve ağırlığından uyluk, alt bacak ve ayağın yaklaşık yoğunluk, hacim, kütle, uzunluk, kütle merkezi ve atalet özelliklerini hesaplayan ampirik ilişkileri robot dinamiğine dahil etmiştir.

Böylece aynı eklem hareketi için farklı boy ve ağırlıktaki kullanıcılarda gereken torkun değişebilmesi eğitim verisine aktarılmaktadır. DNN yalnız yörüngeyi değil, kullanıcıya ait boy ve ağırlık girdilerini de kullanmaktadır.

Computed torque kontrolü nasıl çalışıyor?

Computed Torque Controller (CTC), robotun ters dinamik modelinden yararlanır. Çalışmada kullanılan temel kontrol yasası şöyledir:

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

Bu yapının amacı robotun doğrusal olmayan dinamiğini telafi ederek geriye daha kolay kontrol edilebilen doğrusal hata dinamiği bırakmaktır. Ancak analitik robot dinamiğinin her örnekleme anında hesaplanması araştırmanın çözmek istediği hesaplama problemidir.

Derin sinir ağına hangi bilgiler veriliyor?

DNN'nin her eğitim örneğinde toplam 23 giriş bulunmaktadır:

• 7 eklem için istenen konum,
• 7 eklem için istenen hız,
• 7 eklem için istenen ivme,
• kullanıcının boyu,
• kullanıcının ağırlığı.

Ağın çıkışında ise yedi eklemin gereken torklarını temsil eden 7 sürekli değer bulunmaktadır.

DNN mimarisi nasıl yapılandırıldı?

Makale gizli ve çıkış katmanlarında toplam 49 nöron bulunduğunu belirtmektedir. Ağ MATLAB 2025a ortamındaki feedforwardnet yapısıyla geliştirilmiş, eğitim sırasında Levenberg–Marquardt optimizasyonu ve hata ölçütü olarak Mean Squared Error (MSE) kullanılmıştır.

Çalışma ayrıca ağda ağırlık ve bias'lar dahil 224 eğitilebilir parametre bulunduğunu bildirmektedir. Bununla birlikte verilen 23→21→14→7→7 tam bağlantılı mimari tanımıyla bu sayı arasında açık bir sayım uyumsuzluğu görülmektedir. Kaynak bunu açıklamadığından 224 değeri burada yazarın raporladığı sayı olarak korunmaktadır.

43 milyondan fazla eğitim örneği nasıl üretildi?

Araştırmacı gerçek insanlardan milyonlarca hareket kaydı toplamamıştır. Eğitim verileri analitik robot dinamiği ve computed torque simülasyonu kullanılarak fizik tabanlı biçimde üretilmiştir.

İki hareket senaryosu kullanılmıştır:

• Sıralı hareket: yedi eklemin farklı zamanlarda art arda hareket etmesi,
• Eşzamanlı hareket: bütün eklemlerin aynı hareket dizisi içinde eşzamanlı etkinleşmesi.

Tam eklem hareket açıklıkları farklı hız, kullanıcı boyu ve kullanıcı ağırlığı kombinasyonları altında simüle edilmiş; computed torque kontrolcüsünün ürettiği yedi eklem torku DNN'nin hedef çıktısı olarak kaydedilmiştir.

Toplam 43.560.880 veri örneği oluşturulmuştur. Çalışmada kullanılan 32 çekirdekli Intel Xeon işlemci ve 48 GB belleğe sahip sunucu tüm veri kümesini verimli biçimde işleyemediği için veri kümesi 10 kat seyreltilmiş ve ağ eğitimi için 4.356.088 örnek kullanılmıştır.

Eğitim verisinin parametreleri nelerdi?

Tablo 2'de eklem hızları 10–100 deg/s arasında 10 deg/s aralıklarla verilmiştir. Kullanıcı ağırlıkları 150–250 lb arasında 10 lb aralıklarla listelenmiştir.

Boy parametresinde ise kaynak içinde tutarsızlık bulunmaktadır. Tablo 2, 50, 55, 60, 70 ve 75 inç değerlerini verirken yöntem şemasında altı boy kombinasyonu gösterilmektedir ve sonraki boy değişimi analizinde 65 inç de bulunmaktadır. Aynı şekilde yöntem şemasında “ağırlık ×10” yazmasına rağmen Tablo 2'de 150–250 lb aralığında 11 ağırlık değeri listelenmektedir.

Eğitim, doğrulama ve test ayrımı nasıldı?

Downsample edilmiş veri kümesinin:

• %70'i eğitim,
• %15'i doğrulama,
• %15'i test

için ayrılmıştır.

Çalışmanın Şekil 11'indeki eğitim eğrisinde en iyi doğrulama performansı MSE = 0,33323 ve 1394. epoch noktasında gösterilmektedir.

Hibrit DNN–PD kontrolcünün çalışma mantığı nedir?

Eğitilmiş ağ robotu tek başına geri beslemesiz kontrol etmemektedir. DNN, gerekli eklem torklarını tahmin eden ileri besleme bileşenidir. Tahmin hataları veya modelde tam karşılığı bulunmayan dinamikler ise PD kontrol döngüsü tarafından düzeltilmektedir.

Tüm eklemlerde:

• K_P = 3000,
• K_V = 250

değerleri kullanılmıştır.

Bu yapı, analitik inverse-dynamics hesabının yerine DNN tork tahminini koyarken geri besleme kontrolünün hata düzeltme ve kararlılık rolünü korumayı amaçlamaktadır.

Kararlılık nasıl analiz edildi?

Araştırmacı ileri besleme DNN bileşeninin kapalı çevrim karakteristik denklemin köklerini belirlemediğini, kararlılığın PD geri besleme döngüsü tarafından belirlendiğini ifade etmektedir.

DNN'nin doğrusal olmayan dinamikleri yeterince telafi ettiği varsayımı altında plant:

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

ve PD kontrolcü:

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

olarak ele alınmıştır.

Buna göre karakteristik denklem:

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

şeklini almaktadır. Routh–Hurwitz analizi kullanılarak pozitif \(K_p\) ve \(K_d\) değerleri için kapalı çevrim kararlılığı gösterilmiştir.

Simülasyonlarda izleme hataları ne düzeydeydi?

Çalışmanın ilk performans analizinde eşzamanlı hareket için eklem 1–7 maksimum hata değerleri sırasıyla yaklaşık 0,26°, 0,20°, 0,20°, 0,26°, −0,14°, −0,21° ve 0,19° olarak raporlanmıştır.

Sıralı harekette ise sırasıyla yaklaşık −0,22°, −0,26°, −0,18°, 0,25°, −0,15°, −0,19° ve −0,17° maksimum hata değerleri verilmiştir.

Bu sonuçlarda referans ve gerçek yörüngelerin grafiklerde neredeyse üst üste gelmesi, hataların hareket açıklığına göre küçük kaldığını göstermektedir.

DNN gereken torku gerçekten öğrenebildi mi?

Tork grafiklerinde ilk altı eklem için DNN'nin tahmin ettiği torkun toplam gerekli torka oldukça yakın olduğu ve PD kontrolcünün yalnız küçük düzeltmeler yaptığı görülmektedir. En belirgin istisna yedinci eklemdir.

Araştırmacı, yedinci eklemin toplam tork büyüklüğünün diğer eklemlerden belirgin biçimde düşük olmasının ağın bu eklemin dinamiğini öğrenmesini güçleştirmiş olabileceğini belirtmektedir. Daha fazla nöron veya katman ekleme girişimleri ise overfitting oluşturduğu için nihai mimariye alınmamıştır.

Kullanıcının boyu ve ağırlığı değiştiğinde kontrol bozuldu mu?

Çalışmada bir yönlü ANOVA kullanılarak kullanıcı ağırlığı ve boyundaki değişimlerin yörünge izleme hatası üzerindeki etkisi değerlendirilmiştir. Anlamlılık seviyesi 0,005 olarak belirlenmiştir.

Yedi eklemin tamamında raporlanan p değerleri bu eşikten büyük bulunmuş ve araştırmacı, incelenen simülasyon aralığında boy ve ağırlık değişiminin izleme performansında istatistiksel olarak anlamlı değişim oluşturmadığı sonucuna varmıştır.

Bu analiz fiziksel kullanıcı deneyi değildir. Değiştirilen antropometrik parametrelerin simülasyon modelindeki etkisini değerlendirmektedir.

Diğer kontrol yöntemleriyle karşılaştırıldığında ne oldu?

Aynı robot dinamik modeli üzerinde altı yöntem karşılaştırılmıştır:

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

Çalışmadaki Tablo 6 ve 7'ye göre bütün yöntemlerde maksimum izleme hataları 1°'nin altında kalmıştır. Hibrit DNN–PD, birçok eklemde CTC ve MRCTC'den daha düşük hata üretirken Adaptive Controller bazı eklemlerde hibrit yöntemden de düşük hata göstermiştir. Dolayısıyla çalışma “DNN–PD her eklemde bütün kontrolcülerden daha iyi” sonucunu desteklememektedir.

Hesaplama avantajı ne kadar?

Makalenin temel iddiası DNN'nin paralel yapısının CPU/GPU donanımına daha uygun olması ve tam analitik dinamik modelin her kontrol çevriminde değerlendirilmesini azaltabilmesidir. Ancak çalışmada kontrol yöntemlerinin gerçek çalışma süresini karşılaştıran milisaniye cinsinden bir benchmark, CPU/GPU inference süresi, örnekleme frekansı veya ölçülmüş hızlanma oranı raporlanmamıştır.

Bu nedenle çalışma hesaplama verimliliğine yönelik güçlü bir mimari gerekçe ve simülasyon çerçevesi sunmaktadır; gerçek zamanlı donanım üzerinde nicel hızlanma kanıtı henüz sunmamaktadır. Yazar, RT-Linux üzerinde donanım gerçekleştirmesini gelecek çalışma olarak belirtmektedir.

Çalışma ne söylüyor?

• Analitik robot dinamiğinden büyük ölçekli fizik tabanlı DNN eğitim verisi üretilebilmektedir.
• 23 girişli DNN, yedi eklem için gereken torkları simülasyon ortamında öngörebilmektedir.
• DNN ileri besleme ve PD geri besleme birlikte kullanıldığında düşük yörünge izleme hataları elde edilmiştir.
• Ağın tahmin ettiği torklar özellikle ilk altı eklemde toplam gerekli tork profillerine yakın bulunmuştur.
• İncelenen modelde boy ve ağırlık değişimlerine karşı ANOVA ile anlamlı izleme performansı değişimi saptanmamıştır.
• Önerilen yöntemin tork gereksinimleri diğer yerleşik kontrol yöntemleriyle benzer büyüklüklerdedir.

Çalışma ne söylemiyor?

• Fiziksel bir ekzoskeleton üzerinde gerçek zamanlı uygulama başarısı gösterilmemiştir.
• İnsan katılımcı veya hasta üzerinde rehabilitasyon deneyi yapılmamıştır.
• Klinik etkinlik veya hasta güvenliği kanıtlanmamıştır.
• DNN'nin bütün kullanıcı anatomileri ve hareket bozuklukları için genellenebilirliği gösterilmemiştir.
• Gerçek sensör gürültüsü, aktüatör gecikmesi ve donanım haberleşme gecikmesi üzerinde kapsamlı fiziksel test yapılmamıştır.
• CPU veya GPU üzerinde gerçek inference süresi ve kontrol çevrimi benchmark'ı raporlanmamıştır.
• Hibrit DNN–PD kontrolcünün bütün karşılaştırmalı yöntemlerden her koşulda daha doğru olduğu gösterilmemiştir.

Çalışmanın Yöntemi ve Bulguları

Çalışmanın yöntem zinciri

Temel veri ve ağ özellikleri

Kontrol yöntemlerinin sıralı harekette maksimum izleme hataları

Kontrol yöntemlerinin eşzamanlı harekette maksimum izleme hataları

Karşılaştırmanın doğru yorumu

Tablo 7'de hibrit DNN–PD kontrolcü CTC ve MRCTC'ye karşı özellikle eklem 3–7'de daha düşük maksimum hata değerleri göstermektedir. SMC'nin eşzamanlı hareket hataları çoğu eklemde belirgin biçimde daha büyüktür. LQR ise bazı eklemlerde karşılaştırmanın en yüksek hata değerlerini üretmektedir.

Bununla birlikte Adaptive Controller eklem 1, 3, 4, 6 ve 7'de DNN–PD'den daha düşük maksimum hata göstermektedir; eklem 2'de iki yöntem aynı 0,0762° değerine sahiptir. Bu nedenle araştırmanın önemli sonucu, DNN–PD'nin bütün alternatiflerden mutlak olarak üstün olması değil; analitik dinamik modelin sürekli çevrim içi hesaplanmasına alternatif olarak düşük hata ve benzer tork profilleri sağlayabilen bir hibrit yapı sunmasıdır.

Tork profillerinin karşılaştırılması

Şekil 23–28, hibrit DNN–PD, CTC, MRCTC, SMC, Adaptive Controller ve LQR için yedi eklemin sıralı ve eşzamanlı hareketlerdeki tork profillerini göstermektedir. Araştırmacı, yöntemler arasındaki tepe torklarının karşılaştırılabilir düzeyde olduğunu ve temel tork eğilimlerinin benzer kaldığını bildirmektedir.

Bu bulgu, DNN tabanlı yaklaşımın düşük izleme hatası sağlamak için diğer yöntemlerden tamamen farklı büyüklükte aktüatör torkları gerektirmediğini düşündürmektedir. Ancak makalede fiziksel motor akımı, batarya tüketimi veya gerçek donanım enerji ölçümü yapılmamıştır.

Kaynak içi hata değerleri farkı

Bölüm 6'da doğrudan yörünge simülasyonlarından bildirilen maksimum DNN–PD hataları eşzamanlı harekette yaklaşık 0,26°'ye, sıralı harekette yaklaşık 0,26°'ye ulaşmaktadır. Buna karşılık karşılaştırmalı Bölüm 8'in Tablo 6 ve 7'sinde hibrit kontrolcünün maksimum değerleri sırasıyla 0,1115° ve 0,1181°'dir.

Makale bu iki hata setinin farklılığının deney koşulu, kazanç, veri seçimi veya başka bir simülasyon ayarından kaynaklanıp kaynaklanmadığını açıkça belirtmemektedir. Bu nedenle iki sayı grubu birbirinin yerine kullanılmamalıdır.

Başlıca sınırlılıklar

• Çalışma tamamen modelleme ve simülasyona dayalıdır.
• Fiziksel ekzoskeleton üzerinde gerçek zamanlı kontrol gerçekleştirilmemiştir.
• İnsan katılımcı veya klinik rehabilitasyon verisi kullanılmamıştır.
• DNN eğitim verisinin tamamı analitik modelden üretilmiştir; gerçek sensör ve aktüatör verisiyle eğitim yapılmamıştır.
• Gerçek zamanlı CPU/GPU çalışma süresi veya örnekleme gecikmesi karşılaştırması verilmemiştir.
• Kaynakta eğitim kombinasyonlarının boy ve ağırlık sayıları arasında tutarsızlık bulunmaktadır.
• Kaynakta DNN için bildirilen 224 eğitilebilir parametre sayısı, tarif edilen tam bağlantılı mimariyle açık biçimde uyuşmamaktadır.
• Farklı bölümlerde aynı hibrit kontrolcü için bildirilen maksimum izleme hataları birbiriyle tam olarak uyuşmamaktadır.
• Gelecekte RT-Linux donanım uygulaması ve reinforcement learning ile çevrim içi adaptasyon planlanmaktadır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Development of a Deep Learning-Based Control Framework for Exoskeleton Robots

Yazar: S. K. Hasan.

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

Sorumlu yazar bilgisi: Kaynakta ayrı bir corresponding-author işareti bulunmamaktadır. Tek yazar S. K. Hasan'ın kurumsal e-posta adresi verilmiştir.

Eş katkı/eş birinci yazar: Uygulanabilir değildir; çalışma tek yazarlıdır.

Dergi: Actuators.

Yayınevi: MDPI, Basel, Switzerland.

Bibliyografik bilgi: Actuators 2026, 15(5), 274.

DOI:10.3390/act15050274

Yayın tarihi: 16 Mayıs 2026. Çalışma 24 Mart 2026'da alınmış, 26 Nisan 2026'da revize edilmiş ve 13 Mayıs 2026'da kabul edilmiştir.

Kaynak türü ve hakemlik durumu: Actuators dergisinde yayımlanmış hakemli araştırma makalesidir. Bilimsel yöntem bakımından ağırlıklı olarak dinamik modelleme, makine öğrenmesi ve kontrol simülasyonu çalışmasıdır.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırmacı dış finansman alınmadığını bildirmiştir.

Etik kurul: Uygulanabilir değildir; çalışma insan katılımcı, insan dokusu, hayvan veya klinik veri içermemektedir.

Bilgilendirilmiş onam: Uygulanabilir değildir; insan katılımcı bulunmamaktadır.

Veri erişilebilirliği: Yazar, çalışmanın özgün katkılarının makale içinde bulunduğunu ve ek soruların yazara yöneltilebileceğini belirtmektedir.

Çıkar çatışması: Yazar çıkar çatışması bulunmadığını bildirmektedir.

Yazar katkıları: Ayrı bir CRediT/yazar katkı tablosu verilmemiştir; çalışma tek yazarlıdır.

Bilimsel yorum sınırı: Çalışma, yedi serbestlik dereceli alt ekstremite ekzoskeletonunun simülasyon modelinde derin öğrenme tabanlı hibrit tork kontrolünü değerlendirmektedir. Fiziksel robot, gerçek zamanlı RT-Linux donanımı, hasta veya sağlıklı gönüllü üzerinde doğrulama yapılmamıştır. Dolayısıyla bulgular klinik rehabilitasyon etkinliği veya gerçek donanım güvenilirliği kanıtı değildir.

Kaynak içi tutarsızlık notu: DNN mimarisinin eğitilebilir parametre sayısı, eğitim verisindeki boy/ağırlık kombinasyonlarının sayısı, Şekil 16'nın hareket türü açıklaması ve farklı bölümlerde verilen maksimum DNN–PD izleme hataları arasında açıklanmamış uyumsuzluklar bulunmaktadır. Bu unsurlar sessizce düzeltilmemiştir.

Hesaplama verimliliği sınırı: Makale önerilen mimarinin hesaplama yükünü azaltabileceğini ve CPU/GPU paralelliğinden yararlanabileceğini savunmaktadır; ancak yöntemler arasında ölçülmüş gerçek zamanlı execution-time, latency veya speed-up benchmark'ı raporlamamaktadır. Donanım gerçekleştirmesi gelecek çalışma olarak belirtilmiştir.

Bu Verianla içeriğinin bilimsel bulguları yalnızca incelenen araştırmaya dayanmaktadır. Dış kaynak kontrolü yalnız başlık, DOI, dergi ve yayın kimliğinin bibliyografik doğrulanması amacıyla kullanılmıştır.