Изилдөө жети эркиндик даражасына ээ адамдын төмөнкү бут-кол экзоскелет роботунун муун моменттерин реалдуу убакыттагы башкарууга ылайыктуу түрдө болжолдоо үчүн физикага негизделген маалыматтар менен үйрөтүлгөн терең нейрондук тармактан жана калган байкоо каталарын оңдогон PD кайтарым байланыш контроллеринен турган гибриддик түзүмдү иштеп чыгат. Роботтун аналитикалык динамикалык модели аркылуу алгач 43.560.880 маалымат үлгүсү түзүлүп, маалымат көлөмү он эсеге азайтылып, тармак 4.356.088 үлгү менен үйрөтүлгөн. Иштелип чыккан тармак 23 кирүү өзгөрмөсүн жети муун моментине дал келтирет; үч жашыруун катмарда тиешелүүлүгүнө жараша 21, 14 жана 7 нейрон, ал эми чыгуу катмарында 7 нейрон колдонулат. Симуляциялык салыштырууларда DNN–PD контроллери computed torque, model reference computed torque, sliding mode, adaptive жана LQR контроллерлери менен бирдей робот динамикасында траекторияны байкоонун төмөн каталарын көрсөткөн. Бирок бардык жыйынтыктар моделдөөгө жана симуляцияга негизделген; физикалык экзоскелетте же адам катышуучуда реалдуу убакыттагы аппараттык текшерүү жүргүзүлгөн эмес.

Иштин негизги ыкмасы роботтун масса матрицасын, Кориолис–борбордон четтөө таасирлерин, тартылуу күчүн жана башка сызыктуу эмес динамикаларды ар бир башкаруу циклинде аналитикалык түрдө кайра эсептөөнүн ордуна, ушул кирүү–чыгуу байланышын алдын ала үйрөтүлгөн терең нейрондук тармак менен жакындатылган түрдө көрсөтүү болуп саналат. Тармак талап кылынган жети муундун абалын, ылдамдыгын жана ылдамдануусун, ошондой эле колдонуучунун бою менен салмагын пайдаланып керектүү жети муун моментин болжолдойт. DNN чыгышы алдын ала берүүчү момент катары колдонулат, ал эми PD контроллери моделдөө жана болжолдоо каталарына каршы кайтарым байланыш аркылуу түзөтүү берет.

Макаладагы башкаруу салыштыруусуна ылайык, сунушталган гибриддик DNN–PD ыкмасы ырааттуу да, бир убактагы муун кыймылдарында да бардык муундар үчүн 1°ден төмөн ката берген. 6-таблицада ырааттуу кыймылда гибриддик контроллердин эң чоң катасы төртүнчү муунда 0,1115°; 7-таблицада бир убактагы кыймылда эң чоң маани биринчи муунда 0,1181° деп берилген. Ошол эле учурда ошол эле макаланын мурунку симуляция бөлүмүндө болжол менен 0,26°ге жеткен башка максималдуу ката маанилери да кабарлангандыктан, бул эки жыйынтык топтому өз-өзүнчө бааланышы керек.

Түркиянын көз карашынан баалоо: Иштин ыкмасы Түркиядагы реабилитациялык роботтор, тагылуучу робототехника, мехатроника, жасалма интеллект колдогон кыймыл башкаруу жана көп эркиндик даражалуу робот системалары боюнча изилдөөлөр үчүн методологиялык мааниге ээ болушу мүмкүн. Айрыкча физикага негизделген симуляция маалыматтарын терең үйрөнүү үчүн окутуу маалыматтарына айландыруу аналитикалык робот модели менен маалыматка негизделген башкаруу бири-бирине альтернатива эмес, бири-бирин толуктаган компоненттер катары колдонулушу мүмкүн экенин көрсөтөт. Бирок изилдөө Түркиядагы кандайдыр бир калкта жүргүзүлгөн эмес, бейтаптын физикалык реабилитациясы бааланган эмес жана реалдуу аппараттын коопсуздугу текшерилген эмес. Ошондуктан жыйынтыктардан клиникалык натыйжалуулук, бейтаптын көрсөткүчү же түз медициналык колдонуу тууралуу тыянак чыгарууга болбойт.

Изилдөө чечүүгө аракет кылган негизги маселе эмне?

Көп эркиндик даражалуу роботтордо динамикалык башкаруу робот кыймылдаган учурда өзгөргөн инерция, тартылуу күчү, Кориолис–борбордон четтөө күчтөрү жана муун сүрүлүүсү сыяктуу сызыктуу эмес таасирлерди эске алууну талап кылат. Салттуу computed torque сыяктуу моделге негизделген ыкмалар бул динамикалык мүчөлөрдү башкаруу циклинде эсептеп, роботту сызыктуу жана ажыратылган системага айландырууга аракет кылат.

Эркиндик даражасы көбөйгөн сайын бул процесс татаалдашат. Өзгөчө моментке негизделген башкаруу жогорку үлгүлөө ылдамдыктарында иштеши керек болгондо динамикалык моделди баалоо жана матрицалык операцияларды ар бир циклде кайталоо реалдуу убакыттагы башкарууга эсептөө жүгүн жаратышы мүмкүн.

Изилдөөнүн сунушу аналитикалык динамикалык моделден толук баш тартуу эмес. Тескерисинче, аналитикалык модель адегенде чоң көлөмдөгү физикага негизделген окутуу маалыматтарын түзүү үчүн колдонулат. Андан соң терең нейрондук тармак бул динамиканын кирүү–чыгуу байланышын үйрөнүп, иш учурунда керектүү моментти параллелдүү эсептөөгө ыңгайлуу тармак түзүмү менен болжолдойт.

Жети эркиндик даражасы кайсы муундарды билдирет?

Модель адамдын төмөнкү бут-колундагы жети кыймыл компонентин билдирет:

1. Жамбаштын абдукциясы/аддукциясы,
2. Жамбаштын флексиясы/экстензиясы,
3. Жамбаштын ички/тышкы ротациясы,
4. Тизенин флексиясы/экстензиясы,
5. Балтырдын ички ротациясы,
6. Таман муунунун дорсифлексиясы/плантардык флексиясы,
7. Тамандын пронациясы/супинациясы.

Координат системалары өзгөртүлгөн Денавит–Хартенберг ыкмасы менен аныкталып, жети звенонун өзгөртүү матрицалары ырааттуу бириктирилип, акыркы чекиттин базалык координат системасына карата абалы жана багыты түзүлгөн.

Роботтун динамикасы кандай моделденген?

Кыймыл теңдемелери Лагранждын энергиялык ыкмасы менен чыгарылган. Робот динамикасынын негизги көрсөтүлүшү иште төмөнкүдөй берилет:

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

Бул жерде \(M(\theta)\) абалга көз каранды 7 × 7 өлчөмдөгү оң аныкталган масса/инерция матрицасын; \(V(\theta,\dot{\theta})\) Кориолис жана борбордон четтөө мүчөлөрүн; \(G(\theta)\) тартылуу таасирин; ал эми \(\tau_{\mathrm{Joint}}\) жети муунда талап кылынган момент векторун билдирет.

Реалдуу механикалык муундарда сүрүлүү да болгондуктан модель кийин:

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

түрүнө кеңейтилген.

Сүрүлүү модели Кулон сүрүлүүсүн, илешкек сүрүлүүнү жана Стрибек таасирин бирге камтыйт. Симуляция мисалында чоку сүрүлүү моменти 100 Nm, илешкек сүрүлүү коэффициенти 5 Nm/(rad/s), үзүлүү ылдамдыгы 0,01 rad/s жана Кулон компоненти чоку моменттин 10%ы катары колдонулган.

Колдонуучунун бою жана салмагы эмне үчүн башкаруу моделине кирет?

Экзоскелет кыймылдатууга тийиш болгон механикалык система роботтун звенолорунан гана турбайт; изилдөөдө адамдын төмөнкү бут-колунун антропометриялык өзгөчөлүктөрү да динамикалык моделдин бир бөлүгү. Изилдөөчү колдонуучунун бою жана салмагынан сан, балтыр жана тамандын болжолдуу тыгыздыгын, көлөмүн, массасын, узундугун, масса борборун жана инерция касиеттерин эсептеген эмпирикалык байланыштарды робот динамикасына кошкон.

Ошентип, бир эле муун кыймылы үчүн ар башка бойдогу жана салмактагы колдонуучуларда талап кылынган моменттин өзгөрүшү окутуу маалыматтарына берилет. DNN траекторияны гана эмес, колдонуучунун бой жана салмак кириштерин да колдонот.

Computed torque башкаруусу кантип иштейт?

Computed Torque Controller (CTC) роботтун тескери динамикалык моделин колдонот. Иште колдонулган негизги башкаруу мыйзамы төмөнкүдөй:

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

Бул түзүмдүн максаты роботтун сызыктуу эмес динамикасын компенсациялап, артында башкарууга жеңилирээк сызыктуу ката динамикасын калтыруу болуп саналат. Бирок аналитикалык робот динамикасын ар бир үлгүлөө учурунда эсептөө — изилдөө чечүүнү көздөгөн эсептөө маселеси.

Терең нейрондук тармакка кандай маалыматтар берилет?

DNNнин ар бир окутуу үлгүсүндө жалпысынан 23 кириш бар:

• 7 муун үчүн талап кылынган абал,
• 7 муун үчүн талап кылынган ылдамдык,
• 7 муун үчүн талап кылынган ылдамдануу,
• колдонуучунун бою,
• колдонуучунун салмагы.

Тармактын чыгышында болсо жети муун үчүн талап кылынган моменттерди билдирген 7 үзгүлтүксүз маани бар.

DNN архитектурасы кандай түзүлгөн?

Макала жашыруун жана чыгыш катмарларында жалпысынан 49 нейрон бар экенин билдирет. Тармак MATLAB 2025a чөйрөсүндөгү feedforwardnet түзүмү менен иштелип чыккан, окутууда Levenberg–Marquardt оптималдаштыруу ыкмасы жана ката көрсөткүчү катары Mean Squared Error (MSE) колдонулган.

Иш тармакта салмактар жана bias'тарды кошкондо 224 үйрөтүлүүчү параметр бар экенин да билдирет. Бирок берилген 23→21→14→7→7 толук байланышкан архитектура сүрөттөмөсү менен бул сан ортосунда ачык эсептик дал келбестик бар. Булак муну түшүндүрбөгөндүктөн, 224 мааниси бул жерде автор билдирген сан катары сакталат.

43 миллиондон ашык окутуу үлгүсү кантип түзүлгөн?

Изилдөөчү чыныгы адамдардан миллиондогон кыймыл жазууларын чогулткан эмес. Окутуу маалыматтары аналитикалык робот динамикасы жана computed torque симуляциясы аркылуу физикага негизделген түрдө түзүлгөн.

Эки кыймыл сценарийи колдонулган:

• Ырааттуу кыймыл: жети муундун ар башка убакта кезектешип кыймылдашы,
• Бир убактагы кыймыл: бардык муундардын бир эле кыймыл тизмегинде бир убакта активдешүүсү.

Муундардын толук кыймыл диапазондору ар түрдүү ылдамдык, колдонуучунун бою жана салмагы комбинацияларында симуляцияланган; computed torque контроллери чыгарган жети муун моменти DNNнин максаттуу чыгышы катары жазылган.

Toplam 43.560.880 маалымат үлгүсү түзүлгөн. Иште колдонулган 32 өзөктүү Intel Xeon процессору жана 48 GB эс тутумдуу сервер бардык маалымат топтомун натыйжалуу иштете албагандыктан маалыматтар 10 эсе суюлтулуп, тармакты окутуу үчүн 4.356.088 үлгү колдонулган.

Окутуу маалыматтарынын параметрлери кандай болгон?

2-таблицада муун ылдамдыктары 10–100 deg/s аралыгында 10 deg/s кадам менен берилген. Колдонуучунун салмактары 150–250 lb аралыгында 10 lb кадам менен тизмеленген.

Бой параметринде булактын ичинде дал келбестик бар. 2-таблица 50, 55, 60, 70 жана 75 дюйм маанилерин берет, ал эми ыкма схемасында алты бой комбинациясы көрсөтүлгөн жана кийинки бой өзгөрүшүн талдоодо 65 дюйм да бар. Ошондой эле ыкма схемасында “салмак ×10” деп жазылганына карабастан, 2-таблицада 150–250 lb аралыгында 11 салмак мааниси көрсөтүлгөн.

Окутуу, текшерүү жана тест бөлүнүшү кандай болгон?

Азайтылган маалымат топтомунун:

• 70%ы окутууга,
• 15%ы текшерүүгө,
• 15%ы тестке

бөлүнгөн.

Иштин 11-сүрөтүндөгү окутуу ийри сызыгында эң мыкты текшерүү көрсөткүчү MSE = 0,33323 жана 1394. epoch чекитинде көрсөтүлгөн.

Гибриддик DNN–PD контроллеринин иштөө логикасы кандай?

Үйрөтүлгөн тармак роботту жалгыз өзү кайтарым байланышсыз башкарбайт. DNN талап кылынган муун моменттерин болжолдогон алдын ала берүү компоненти. Болжолдоо каталары же модельде толук чагылдырылбаган динамикалар PD башкаруу цикли аркылуу оңдолот.

Бардык муундарда:

• K_P = 3000,
• K_V = 250

маанилери колдонулган.

Бул түзүм аналитикалык inverse-dynamics эсептөөнүн ордуна DNN момент болжолун коюу менен бирге, кайтарым байланыш башкаруусунун катаны оңдоо жана туруктуулук ролун сактоону көздөйт.

Туруктуулук кандай талданган?

Изилдөөчү алдын ала берүүчү DNN компоненти жабык контурдун мүнөздөмө теңдемесинин тамырларын аныктабай турганын, туруктуулукту PD кайтарым байланыш контуру аныктай турганын билдирет.

DNN сызыктуу эмес динамикаларды жетиштүү компенсациялайт деген божомолдо plant:

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

жана PD контроллери:

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

катары каралган.

Ошого ылайык мүнөздөмө теңдемеси:

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

түрүн алат. Routh–Hurwitz талдоосу аркылуу оң \(K_p\) жана \(K_d\) маанилеринде жабык контурдун туруктуулугу көрсөтүлгөн.

Симуляцияларда байкоо каталары кандай деңгээлде болгон?

Иштин биринчи көрсөткүч талдоосунда бир убактагы кыймыл үчүн 1–7-муундардын максималдуу каталары тиешелүүлүгүнө жараша болжол менен 0,26°, 0,20°, 0,20°, 0,26°, −0,14°, −0,21° жана 0,19° деп билдирилген.

Ырааттуу кыймылда болсо тиешелүүлүгүнө жараша болжол менен −0,22°, −0,26°, −0,18°, 0,25°, −0,15°, −0,19° жана −0,17° максималдуу каталар берилген.

Бул жыйынтыктарда эталондук жана чыныгы траекториялар графиктерде дээрлик үстү-үстүнө келиши каталар кыймыл диапазонуна салыштырмалуу кичине калганын көрсөтөт.

DNN керектүү моментти чындап үйрөнө алдыбы?

Момент графиктеринде биринчи алты муун үчүн DNN болжолдогон момент жалпы талап кылынган моментке абдан жакын экени жана PD контроллери аз гана түзөтүү киргизгени көрүнөт. Эң олуттуу өзгөчөлүк — жетинчи муун.

Изилдөөчү жетинчи муундун жалпы момент чоңдугу башка муундарга караганда кыйла төмөн болушу тармактын ушул муундун динамикасын үйрөнүшүн кыйындаткан болушу мүмкүн экенин билдирет. Көбүрөөк нейрон же катмар кошуу аракеттери overfitting жараткандыктан акыркы архитектурага киргизилген эмес.

Колдонуучунун бою жана салмагы өзгөргөндө башкаруу бузулдубу?

Иште бир факторлуу ANOVA колдонулуп, колдонуучунун салмагы жана боюндагы өзгөрүүлөрдүн траекторияны байкоо катасына таасири бааланган. Маанилүүлүк деңгээли 0,005 деп белгиленген.

Жети муундун баарында билдирилген p маанилери бул чектен чоң болуп, изилдөөчү каралган симуляция диапазонунда бой жана салмак өзгөрүшү байкоо көрсөткүчүндө статистикалык маанилүү өзгөрүү жараткан жок деген жыйынтыкка келген.

Бул талдоо физикалык колдонуучу тажрыйбасы эмес. Өзгөртүлгөн антропометриялык параметрлердин симуляция моделиндеги таасирин баалайт.

Башка башкаруу ыкмалары менен салыштырганда эмне болду?

Бир эле робот динамикалык моделинде алты ыкма салыштырылган:

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

Иштеги 6 жана 7-таблицаларга ылайык бардык ыкмаларда максималдуу байкоо каталары 1°ден төмөн болгон. Гибриддик DNN–PD көп муундарда CTC жана MRCTCге караганда төмөн ката берген, ал эми Adaptive Controller айрым муундарда гибриддик ыкмадан да төмөн ката көрсөткөн. Демек иш “DNN–PD ар бир муунда бардык контроллерлерден жакшы” деген жыйынтыкты колдобойт.

Эсептөө артыкчылыгы канчалык?

Макаланын негизги жүйөсү DNNнин параллелдүү түзүмү CPU/GPU жабдыктарына көбүрөөк ылайык келип, толук аналитикалык динамикалык моделди ар бир башкаруу циклинде баалоо зарылдыгын азайта алышы мүмкүн экендиги. Бирок иште башкаруу ыкмаларынын реалдуу иш убактысын миллисекунд менен салыштырган benchmark, CPU/GPU inference убактысы, үлгүлөө жыштыгы же өлчөнгөн ылдамдануу коэффициенти берилген эмес.

Ошондуктан иш эсептөө натыйжалуулугу боюнча күчтүү архитектуралык негиздеме жана симуляциялык алкак сунуштайт; бирок реалдуу убакыттагы аппаратта сандык ылдамдануу далилин азырынча бербейт. Автор RT-Linux негизиндеги аппараттык ишке ашырууну келечектеги иш катары көрсөтөт.

Иш эмне дейт?

• Аналитикалык робот динамикасынан чоң масштабдагы физикага негизделген DNN окутуу маалыматтарын түзүүгө болот.
• 23 кириштүү DNN симуляция чөйрөсүндө жети муун үчүн талап кылынган моменттерди болжолдой алат.
• DNN алдын ала берүү жана PD кайтарым байланыш чогуу колдонулганда траекторияны байкоонун төмөн каталары алынган.
• Тармак болжолдогон моменттер, айрыкча биринчи алты муунда, жалпы талап кылынган момент профилдерине жакын болгон.
• Каралган модельде бой жана салмак өзгөрүүлөрүнө карата ANOVA аркылуу байкоо көрсөткүчүндө маанилүү өзгөрүү табылган эмес.
• Сунушталган ыкманын момент талаптары башка калыптанган башкаруу ыкмаларына окшош чоңдукта.

Иш эмне дебейт?

• Физикалык экзоскелетте реалдуу убакыттагы колдонмонун ийгилиги көрсөтүлгөн эмес.
• Адам катышуучу же бейтапта реабилитация тажрыйбасы жүргүзүлгөн эмес.
• Клиникалык натыйжалуулук же бейтаптын коопсуздугу далилденген эмес.
• DNNнин бардык колдонуучу анатомияларына жана кыймыл бузулууларга жалпыланышы көрсөтүлгөн эмес.
• Чыныгы сенсор ызы-чуусу, актуатор кечигүүсү жана аппараттык байланыш кечигүүсү боюнча кеңири физикалык сыноо жүргүзүлгөн эмес.
• CPU же GPUда реалдуу inference убактысы жана башкаруу цикли benchmark-ы берилген эмес.
• Гибриддик DNN–PD контроллери бардык салыштырылган ыкмалардан ар бир шартта такыраак экени көрсөтүлгөн эмес.

Изилдөөнүн ыкмасы жана жыйынтыктары

Изилдөөнүн ыкма тизмеги

Негизги маалымат жана тармак өзгөчөлүктөрү

Башкаруу ыкмаларынын ырааттуу кыймылдагы максималдуу байкоо каталары

Башкаруу ыкмаларынын бир убактагы кыймылдагы максималдуу байкоо каталары

Салыштыруунун туура чечмелөөсү

7-таблицада гибриддик DNN–PD контроллери CTC жана MRCTCге салыштырмалуу, өзгөчө 3–7-муундарда төмөн максималдуу ката маанилерин көрсөтөт. SMCнин бир убактагы кыймыл каталары көпчүлүк муундарда кыйла жогору. LQR болсо айрым муундарда салыштыруудагы эң жогорку ката маанилерин берет.

Ошол эле учурда Adaptive Controller 1, 3, 4, 6 жана 7-муундарда DNN–PDден төмөн максималдуу ката көрсөтөт; 2-муунда эки ыкма тең 0,0762° маанисине ээ. Ошондуктан изилдөөнүн маанилүү жыйынтыгы DNN–PDнин бардык альтернативалардан абсолюттук артыкчылыгы эмес; аналитикалык динамикалык моделди тынымсыз онлайн эсептөөгө альтернатива катары төмөн ката жана окшош момент профилдерин камсыз кыла алган гибриддик түзүмдү сунуштоосу.

Момент профилдерин салыштыруу

23–28-сүрөттөр гибриддик DNN–PD, CTC, MRCTC, SMC, Adaptive Controller жана LQR үчүн жети муундун ырааттуу жана бир убактагы кыймылдардагы момент профилдерин көрсөтөт. Изилдөөчү ыкмалар арасындагы чоку моменттер салыштырылуучу деңгээлде экенин жана негизги момент тенденциялары окшош калганын билдирет.

Бул жыйынтык DNN негизиндеги ыкма төмөн байкоо катасын берүү үчүн башка ыкмалардан таптакыр башка чоңдуктагы актуатор моменттерин талап кылбасын көрсөтөт. Бирок макалада физикалык мотор тогу, батарея керектөөсү же реалдуу аппарат энергиясын өлчөө жүргүзүлгөн эмес.

Булактагы ката маанилеринин айырмасы

6-бөлүмдө түз траектория симуляцияларынан билдирилген максималдуу DNN–PD каталары бир убактагы кыймылда болжол менен 0,26°ге, ырааттуу кыймылда да болжол менен 0,26°ге жетет. Ал эми салыштырмалуу 8-бөлүмдүн 6 жана 7-таблицаларында гибриддик контроллердин максималдуу маанилери тиешелүүлүгүнө жараша 0,1115° жана 0,1181°.

Макала бул эки ката топтомунун айырмасы эксперимент шарты, gain, маалымат тандоосу же башка симуляция жөндөөсүнөн келип чыккан-келбегенин так билдирбейт. Ошондуктан эки сан тобун бири-биринин ордуна колдонбоо керек.

Негизги чектөөлөр

• Изилдөө толугу менен моделдөө жана симуляцияга негизделген.
• Физикалык экзоскелетте реалдуу убакыт башкаруусу жүргүзүлгөн эмес.
• Адам катышуучу же клиникалык реабилитация маалыматы колдонулган эмес.
• DNN окутуу маалыматтарынын баары аналитикалык моделден түзүлгөн; чыныгы сенсор жана актуатор маалыматтары менен окутуу жүргүзүлгөн эмес.
• Реалдуу убакыттагы CPU/GPU иштөө убактысы же үлгүлөө кечигүүсү салыштырылган эмес.
• Булакта окутуу комбинацияларындагы бой жана салмак сандарынын ортосунда дал келбестик бар.
• Булакта DNN үчүн билдирилген 224 үйрөтүлүүчү параметр саны сүрөттөлгөн толук байланышкан архитектурага ачык түрдө туура келбейт.
• Ар башка бөлүмдөрдө бир эле гибриддик контроллер үчүн берилген максималдуу байкоо каталары бири-бирине толук дал келбейт.
• Келечекте RT-Linux аппараттык колдонмосу жана reinforcement learning аркылуу онлайн адаптация пландалууда.

Булак жана ыкма эскертүүсү

Иштин толук түпнуска аталышы: Development of a Deep Learning-Based Control Framework for Exoskeleton Robots

Автор: S. K. Hasan.

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

Жооптуу автор тууралуу маалымат: Булакта өзүнчө corresponding-author белгиси жок. Жалгыз автор S. K. Hasanдын мекемелик электрондук почта дареги берилген.

Тең салым/тең биринчи автор: Колдонулбайт; иш жалгыз авторго таандык.

Журнал: Actuators.

Басмакана: MDPI, Basel, Switzerland.

Библиографиялык маалымат: Actuators 2026, 15(5), 274.

DOI:10.3390/act15050274

Жарыяланган күнү: 2026-жылдын 16-майы. Иш 2026-жылдын 24-мартында кабыл алынып, 26-апрелде кайра каралып, 13-майда кабыл алынган.

Булактын түрү жана рецензия статусу: Actuators журналында жарыяланган рецензияланган изилдөө макаласы. Илимий ыкма жагынан негизинен динамикалык моделдөө, машиналык үйрөнүү жана башкаруу симуляциясы боюнча иш.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөөчү тышкы каржылоо алынбаганын билдирген.

Этика комитети: Колдонулбайт; иш адам катышуучуну, адам ткандарын, жаныбарды же клиникалык маалыматтарды камтыбайт.

Маалымдалган макулдук: Колдонулбайт; адам катышуучу жок.

Маалыматтын жеткиликтүүлүгү: Автор иштин түпнуска салымдары макалада бар экенин жана кошумча суроолор авторго багытталышы мүмкүн экенин билдирет.

Кызыкчылыктардын кагылышы: Автор кызыкчылыктардын кагылышы жок экенин билдирет.

Автордук салымдар: Өзүнчө CRediT/автордук салымдар таблицасы берилген эмес; иш жалгыз авторго таандык.

Илимий чечмелөөнүн чеги:Изилдөө жети эркиндик даражалуу төмөнкү бут-кол экзоскелетинин симуляция моделинде терең үйрөнүүгө негизделген гибриддик момент башкаруусун баалайт. Физикалык роботто, реалдуу убакыттагы RT-Linux аппаратында, бейтапта же дени сак ыктыярчыда текшерүү жүргүзүлгөн эмес. Ошондуктан жыйынтыктар клиникалык реабилитациянын натыйжалуулугунун же реалдуу аппараттын ишенимдүүлүгүнүн далили эмес.

Булактагы дал келбестик эскертүүсү: DNN архитектурасынын үйрөтүлүүчү параметрлеринин саны, окутуу маалыматтарындагы бой/салмак комбинацияларынын саны, 16-сүрөттөгү кыймыл түрүнүн түшүндүрмөсү жана ар башка бөлүмдөрдө берилген максималдуу DNN–PD байкоо каталарынын ортосунда түшүндүрүлбөгөн дал келбестиктер бар. Бул элементтер үнсүз оңдолгон эмес.

Эсептөө натыйжалуулугунун чеги: Макала сунушталган архитектура эсептөө жүгүн азайтып, CPU/GPU параллелдүүлүгүн пайдалана аларын негиздейт; бирок ыкмалар арасында өлчөнгөн реалдуу убакыттагы execution-time, latency же speed-up benchmarkын билдирбейт. Аппараттык ишке ашыруу келечектеги иш катары көрсөтүлгөн.

Бул Verianla мазмунундагы илимий жыйынтыктар каралган изилдөөгө гана негизделген. Тышкы булакты текшерүү аталыш, DOI, журнал жана жарыялоо идентификациясын библиографиялык ырастоо максатында гана колдонулган.