Utafiti unatengeneza muundo mseto unaojumuisha mtandao wa neva wa kina uliofunzwa kwa data inayotegemea fizikia na kidhibiti cha mrejesho cha PD kinachosahihisha makosa yaliyobaki ya ufuatiliaji, kwa lengo la kukadiria torati za viungo za roboti ya exoskeleton ya kiungo cha chini cha binadamu yenye viwango saba vya uhuru kwa namna inayofaa udhibiti wa wakati halisi. Kwa kutumia modeli ya kihisabati ya mienendo ya roboti, sampuli 43.560.880 za data zilitengenezwa kwanza; kiasi cha data kilipunguzwa hadi moja ya kumi na mtandao ukafunzwa kwa sampuli 4.356.088. Mtandao uliotengenezwa huunganisha vigezo 23 vya ingizo na torati saba za viungo; tabaka tatu fiche zina neuroni 21, 14 na 7 mtawalia, huku tabaka la matokeo likiwa na neuroni 7. Katika ulinganisho wa uigaji, kidhibiti DNN–PD kilitoa makosa madogo ya ufuatiliaji wa njia chini ya mienendo ileile ya roboti ikilinganishwa na vidhibiti vya computed torque, model reference computed torque, sliding mode, adaptive na LQR. Hata hivyo, matokeo yote yanategemea uundaji wa modeli na uigaji; hakuna uthibitishaji wa vifaa wa wakati halisi uliofanywa kwenye exoskeleton halisi au mshiriki wa binadamu.

Msingi wa mbinu ya utafiti ni kuwakilisha kwa takribani uhusiano wa ingizo–matokeo kwa mtandao wa neva wa kina uliofunzwa mapema, badala ya kukokotoa upya kwa uchanganuzi katika kila mzunguko wa udhibiti matriki ya massa ya roboti, athari za Coriolis–centrifugal, mvuto na mienendo mingine isiyo ya mstari. Mtandao hutumia nafasi, kasi na mchapuko unaotakiwa wa viungo saba pamoja na taarifa za urefu na uzito wa mtumiaji kutabiri torati saba zinazohitajika za viungo. Matokeo ya DNN hutumika kama torati ya feedforward, huku kidhibiti cha PD kikitoa marekebisho ya mrejesho dhidi ya makosa ya modeli na utabiri.

Kwa mujibu wa ulinganisho wa udhibiti katika makala, mbinu mseto ya DNN–PD iliyopendekezwa ilitoa makosa chini ya 1° kwa viungo vyote katika harakati za viungo za mfuatano na za wakati mmoja. Katika Jedwali la 6, kosa la juu zaidi la kidhibiti mseto katika harakati za mfuatano lilikuwa 0,1115° katika kiungo cha nne; katika Jedwali la 7, thamani ya juu zaidi katika harakati za wakati mmoja ilikuwa 0,1181° katika kiungo cha kwanza. Hata hivyo, kwa kuwa sehemu ya awali ya uigaji katika makala hiyo hiyo pia iliripoti thamani nyingine za kosa la juu zinazofikia takribani 0,26°, makundi haya mawili ya matokeo yanapaswa kutathminiwa tofauti.

Tathmini kwa mtazamo wa Uturuki: Mbinu ya utafiti inaweza kuwa na thamani ya kimetodolojia kwa timu za utafiti nchini Uturuki zinazofanya kazi katika roboti za urekebishaji, roboti zinazovaliwa, mekatroniki, udhibiti wa mwendo unaosaidiwa na akili bandia na mifumo ya roboti yenye viwango vingi vya uhuru. Hasa, kugeuza data ya uigaji inayotegemea fizikia kuwa data ya mafunzo ya ujifunzaji wa kina kunaonyesha kwamba modeli ya kihisabati ya roboti na udhibiti unaotegemea data vinaweza kutumiwa si kama mbadala bali kama vipengele vinavyokamilishana. Hata hivyo, utafiti haukufanywa kwa kundi lolote la watu nchini Uturuki, urekebishaji wa kimwili wa wagonjwa haukutathminiwa, na usalama wa vifaa halisi haukujaribiwa. Kwa hiyo, matokeo hayawezi kutumiwa kutoa hitimisho kuhusu ufanisi wa kliniki, utendaji wa mgonjwa au matumizi ya moja kwa moja katika huduma za afya.

Tatizo kuu ambalo utafiti unajaribu kutatua ni nini?

Udhibiti wa mienendo katika roboti zenye viwango vingi vya uhuru unahitaji kuzingatia athari zisizo za mstari kama vile inertia inayobadilika wakati roboti inaposogea, mvuto, nguvu za Coriolis–centrifugal na msuguano wa viungo. Mbinu za jadi zinazotegemea modeli, kama computed torque, hukokotoa vipengele hivi vya mienendo ndani ya mzunguko wa udhibiti na kujaribu kugeuza roboti kuwa mfumo wa mstari na uliotenganishwa.

Kadiri idadi ya viwango vya uhuru inavyoongezeka, mchakato huu huwa mgumu zaidi. Hasa pale udhibiti unaotegemea torati unapohitajika kufanya kazi kwa viwango vya juu vya sampuli, tathmini ya modeli ya mienendo na kurudia kwa operesheni za matriki katika kila mzunguko kunaweza kuleta mzigo wa kihesabu kwa udhibiti wa wakati halisi.

Pendekezo la utafiti si kuachana kabisa na modeli ya kihisabati ya mienendo. Kinyume chake, modeli ya kihisabati hutumika kwanza kutengeneza kiasi kikubwa cha data ya mafunzo inayotegemea fizikia. Kisha mtandao wa neva wa kina hujifunza uhusiano wa ingizo–matokeo wa mienendo hii na wakati wa uendeshaji hutabiri torati inayohitajika kupitia muundo wa mtandao unaoweza kukokotolewa kwa ulinganifu zaidi.

Viwango saba vya uhuru vinawakilisha viungo gani?

Modeli inawakilisha vipengele saba vya mwendo wa kiungo cha chini cha binadamu:

1. Abduction/adduction ya nyonga,
2. Flexion/extension ya nyonga,
3. Mzunguko wa ndani/nje wa nyonga,
4. Flexion/extension ya goti,
5. Mzunguko wa ndani wa mguu wa chini,
6. Dorsiflexion/plantar flexion ya kifundo cha mguu,
7. Pronation/supination ya mguu.

Mifumo ya koordinati ilifafanuliwa kwa mbinu iliyorekebishwa ya Denavit–Hartenberg, na matriki za mageuzi za viungo saba ziliunganishwa kwa mfuatano ili kupata nafasi na mwelekeo wa ncha kwa kurejelea mfumo wa koordinati wa msingi.

Mienendo ya roboti ilimodeliwaje?

Milinganyo ya mwendo ilitolewa kwa mbinu ya nishati ya Lagrange. Uwakilishi wa msingi wa mienendo ya roboti umetolewa katika utafiti kama ifuatavyo:

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

Hapa, \(M(\theta)\) inawakilisha matriki chanya ya massa/inertia yenye ukubwa wa 7 × 7 inayotegemea nafasi; \(V(\theta,\dot{\theta})\) inawakilisha vipengele vya Coriolis na centrifugal; \(G(\theta)\) inawakilisha athari ya mvuto; na \(\tau_{\mathrm{Joint}}\) ni vekta ya torati inayohitajika katika viungo saba.

Kwa kuwa msuguano pia upo katika viungo halisi vya kimekanika, modeli baadaye ilipanuliwa kuwa:

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

muundo huu.

Modeli ya msuguano inajumuisha kwa pamoja msuguano wa Coulomb, msuguano wa mnato na athari ya Stribeck. Katika mfano wa uigaji, torati ya kilele ya msuguano ilikuwa 100 Nm, mgawo wa msuguano wa mnato 5 Nm/(rad/s), kasi ya breakaway 0,01 rad/s, na sehemu ya Coulomb ilitumika kama 10% ya torati ya kilele.

Kwa nini urefu na uzito wa mtumiaji huingizwa katika modeli ya udhibiti?

Mfumo wa kimekanika ambao exoskeleton lazima uusogeze haujumuishi viungo vya roboti pekee; katika utafiti, sifa za anthropometria za kiungo cha chini cha binadamu pia ni sehemu ya modeli ya mienendo. Mtafiti alijumuisha katika mienendo ya roboti mahusiano ya kimajaribio yanayokokotoa kutoka kwa urefu na uzito wa mtumiaji makadirio ya msongamano, ujazo, massa, urefu, kituo cha massa na sifa za inertia za paja, mguu wa chini na mguu.

Kwa njia hii, mabadiliko ya torati inayohitajika kwa mwendo uleule wa kiungo kwa watumiaji wenye urefu na uzito tofauti huingizwa katika data ya mafunzo. DNN haitumii trajectory pekee bali pia ingizo la urefu na uzito wa mtumiaji.

Udhibiti wa computed torque hufanyaje kazi?

Computed Torque Controller (CTC) hutumia modeli ya inverse dynamics ya roboti. Sheria ya msingi ya udhibiti iliyotumika katika utafiti ni kama ifuatavyo:

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

Lengo la muundo huu ni kufidia mienendo isiyo ya mstari ya roboti na kuacha mienendo ya kosa ya mstari ambayo ni rahisi zaidi kudhibiti. Hata hivyo, kukokotoa mienendo ya kihisabati ya roboti katika kila muda wa sampuli ndilo tatizo la kihesabu ambalo utafiti unalenga kutatua.

Ni taarifa gani hutolewa kwa mtandao wa neva wa kina?

Kila sampuli ya mafunzo ya DNN ina jumla ya ingizo 23:

• nafasi inayotakiwa kwa viungo 7,
• kasi inayotakiwa kwa viungo 7,
• mchapuko unaotakiwa kwa viungo 7,
• urefu wa mtumiaji,
• uzito wa mtumiaji.

Katika matokeo ya mtandao kuna thamani 7 endelevu zinazowakilisha torati zinazohitajika za viungo saba.

Usanifu wa DNN uliundwaje?

Makala inasema kuwa kuna jumla ya neuroni 49 katika tabaka fiche na la matokeo. Mtandao ulitengenezwa kwa kutumia muundo wa feedforwardnet katika mazingira ya MATLAB 2025a; wakati wa mafunzo ulitumika uboreshaji wa Levenberg–Marquardt na Mean Squared Error (MSE) kama kipimo cha kosa.

Utafiti pia unaripoti kuwa mtandao una vigezo 224 vinavyofunzwa, ikijumuisha weights na bias. Hata hivyo, kuna kutolingana wazi kwa hesabu kati ya idadi hii na maelezo ya usanifu uliounganishwa kikamilifu wa 23→21→14→7→7. Kwa kuwa chanzo hakielezi kutolingana huku, thamani 224 imehifadhiwa hapa kama namba iliyoripotiwa na mwandishi.

Sampuli zaidi ya milioni 43 za mafunzo zilitengenezwaje?

Mtafiti hakukusanya mamilioni ya rekodi za mwendo kutoka kwa watu halisi. Data ya mafunzo ilitengenezwa kwa msingi wa fizikia kwa kutumia mienendo ya kihisabati ya roboti na uigaji wa computed torque.

Matukio mawili ya mwendo yalitumika:

• Mwendo wa mfuatano: viungo saba kusogea kimoja baada ya kingine kwa nyakati tofauti,
• Mwendo wa wakati mmoja: viungo vyote kuamilishwa kwa wakati mmoja ndani ya mfuatano uleule wa mwendo.

Masafa kamili ya mwendo wa viungo yaliigwa chini ya michanganyiko tofauti ya kasi, urefu wa mtumiaji na uzito wa mtumiaji; torati saba za viungo zilizotolewa na kidhibiti cha computed torque zilirekodiwa kama matokeo lengwa ya DNN.

Toplam sampuli 43.560.880 za data zilitengenezwa. Kwa kuwa seva iliyotumika katika utafiti yenye prosesa ya Intel Xeon ya cores 32 na kumbukumbu ya 48 GB haikuweza kushughulikia kwa ufanisi seti nzima ya data, seti hiyo ilipunguzwa kwa mara 10 na kwa mafunzo ya mtandao zilitumika sampuli 4.356.088.

Vigezo vya data ya mafunzo vilikuwa vipi?

Katika Jedwali la 2, kasi za viungo zilitolewa kutoka 10 hadi 100 deg/s kwa hatua za 10 deg/s. Uzito wa watumiaji uliorodheshwa kutoka 150 hadi 250 lb kwa hatua za 10 lb.

Kuna kutolingana ndani ya chanzo kuhusu kigezo cha urefu. Jedwali la 2 linatoa thamani za inchi 50, 55, 60, 70 na 75, ilhali mchoro wa mbinu unaonyesha michanganyiko sita ya urefu na uchanganuzi wa baadaye wa mabadiliko ya urefu pia unajumuisha inchi 65. Vilevile, ingawa mchoro wa mbinu unasema “uzito ×10”, Jedwali la 2 linaorodhesha thamani 11 za uzito kati ya 150–250 lb.

Mgawanyo wa mafunzo, uthibitishaji na majaribio ulikuwaje?

Katika seti ya data iliyopunguzwa:

• 70% ilitengwa kwa mafunzo,
• 15% kwa uthibitishaji,
• 15% kwa majaribio

.

Katika mkunjo wa mafunzo wa Kielelezo cha 11, utendaji bora wa uthibitishaji unaonyeshwa kwa MSE = 0,33323 katika 1394. epoch.

Mantiki ya utendaji wa kidhibiti mseto cha DNN–PD ni ipi?

Mtandao uliofunzwa haudhibiti roboti peke yake bila mrejesho. DNN ni sehemu ya feedforward inayotabiri torati zinazohitajika za viungo. Makosa ya utabiri au mienendo ambayo haijawakilishwa kikamilifu katika modeli husahihishwa na mzunguko wa udhibiti wa PD.

Kwa viungo vyote:

• K_P = 3000,
• K_V = 250

thamani hizi zilitumika.

Muundo huu unalenga kubadilisha ukokotoaji wa analytic inverse-dynamics kwa utabiri wa torati wa DNN huku ukihifadhi jukumu la udhibiti wa mrejesho katika kusahihisha kosa na kudumisha uthabiti.

Uthabiti ulichambuliwaje?

Mtafiti anasema kuwa sehemu ya feedforward ya DNN haiamui mizizi ya mlinganyo wa tabia wa mfumo wa closed-loop; uthabiti huamuliwa na mzunguko wa mrejesho wa PD.

Chini ya dhana kwamba DNN inafidia vya kutosha mienendo isiyo ya mstari, plant:

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

na kidhibiti cha PD:

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

vilizingatiwa katika muundo huu.

Kwa hiyo mlinganyo wa tabia ni:

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

Kwa kutumia uchanganuzi wa Routh–Hurwitz, uthabiti wa closed-loop umeonyeshwa kwa thamani chanya za \(K_p\) na \(K_d\).

Makosa ya ufuatiliaji katika uigaji yalikuwa katika kiwango gani?

Katika uchanganuzi wa kwanza wa utendaji, makosa ya juu ya viungo 1–7 kwa mwendo wa wakati mmoja yaliripotiwa mtawalia kuwa takribani 0,26°, 0,20°, 0,20°, 0,26°, −0,14°, −0,21° na 0,19°.

Katika mwendo wa mfuatano, makosa ya juu yalitolewa mtawalia kuwa takribani −0,22°, −0,26°, −0,18°, 0,25°, −0,15°, −0,19° na −0,17°.

Katika matokeo haya, trajectories za marejeo na za kweli karibu kufunika moja kwa moja kwenye grafu kunaonyesha kwamba makosa yalibaki madogo kulingana na ukubwa wa mwendo.

Je, DNN iliweza kweli kujifunza torati inayohitajika?

Katika grafu za torati, kwa viungo sita vya kwanza, torati iliyotabiriwa na DNN inaonekana kuwa karibu sana na torati yote inayohitajika, huku kidhibiti cha PD kikifanya marekebisho madogo tu. Tofauti kubwa zaidi ni kiungo cha saba.

Mtafiti anasema kuwa ukubwa wa torati jumla ya kiungo cha saba kuwa mdogo sana kuliko wa viungo vingine huenda kulifanya iwe vigumu kwa mtandao kujifunza mienendo ya kiungo hicho. Majaribio ya kuongeza neuroni au tabaka zaidi yalisababisha overfitting, hivyo hayakujumuishwa katika usanifu wa mwisho.

Je, udhibiti ulivurugika urefu na uzito wa mtumiaji ulipobadilika?

Utafiti ulitumia ANOVA ya njia moja kutathmini athari za mabadiliko ya uzito na urefu wa mtumiaji kwenye kosa la ufuatiliaji wa trajectory. Kiwango cha umuhimu kiliwekwa kuwa 0,005.

Kwa viungo vyote saba, thamani za p zilizoripotiwa zilikuwa kubwa kuliko kizingiti hiki, na mtafiti alihitimisha kuwa ndani ya masafa ya uigaji yaliyotathminiwa, mabadiliko ya urefu na uzito hayakusababisha mabadiliko yenye umuhimu wa kitakwimu katika utendaji wa ufuatiliaji.

Uchanganuzi huu si jaribio la kimwili kwa mtumiaji. Unatathmini athari za vigezo vya anthropometria vilivyobadilishwa katika modeli ya uigaji.

Nini kilitokea ikilinganishwa na mbinu nyingine za udhibiti?

Mbinu sita zililinganishwa kwenye modeli ileile ya mienendo ya roboti:

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

Kulingana na Jedwali la 6 na 7, makosa ya juu ya ufuatiliaji yalibaki chini ya 1° kwa mbinu zote. DNN–PD mseto ilitoa makosa madogo kuliko CTC na MRCTC katika viungo vingi, huku Adaptive Controller ikionyesha makosa madogo kuliko mbinu mseto katika baadhi ya viungo. Kwa hiyo, utafiti hauungi mkono hitimisho kwamba “DNN–PD ni bora kuliko vidhibiti vyote katika kila kiungo”.

Faida ya kihesabu ni kiasi gani?

Dai kuu la makala ni kwamba muundo sambamba wa DNN unafaa zaidi kwa vifaa vya CPU/GPU na unaweza kupunguza hitaji la kutathmini modeli kamili ya kihisabati ya mienendo katika kila mzunguko wa udhibiti. Hata hivyo, utafiti hauripoti benchmark ya muda halisi wa utekelezaji kwa milisekunde, muda wa inference wa CPU/GPU, masafa ya sampuli au uwiano wa speed-up uliopimwa kati ya mbinu za udhibiti.

Kwa hiyo, utafiti unatoa hoja thabiti ya usanifu na mfumo wa uigaji kwa ufanisi wa kihesabu; lakini bado hautoi ushahidi wa kiasi wa kuongeza kasi kwenye vifaa vya wakati halisi. Mwandishi anataja utekelezaji wa vifaa kwenye RT-Linux kama kazi ya baadaye.

Utafiti unasema nini?

• Inawezekana kutengeneza data kubwa ya mafunzo ya DNN inayotegemea fizikia kutoka kwa mienendo ya kihisabati ya roboti.
• DNN yenye ingizo 23 inaweza kutabiri torati zinazohitajika kwa viungo saba katika mazingira ya uigaji.
• Makosa madogo ya ufuatiliaji wa trajectory yalipatikana wakati feedforward ya DNN na mrejesho wa PD vilipotumiwa pamoja.
• Torati zilizotabiriwa na mtandao zilikuwa karibu na profiles za torati zote zinazohitajika, hasa katika viungo sita vya kwanza.
• Katika modeli iliyotathminiwa, ANOVA haikupata mabadiliko yenye umuhimu katika utendaji wa ufuatiliaji kutokana na mabadiliko ya urefu na uzito.
• Mahitaji ya torati ya mbinu iliyopendekezwa yana ukubwa unaofanana na mbinu nyingine zilizoimarika za udhibiti.

Utafiti haus semi nini?

• Mafanikio ya matumizi ya wakati halisi kwenye exoskeleton halisi hayajaonyeshwa.
• Hakuna jaribio la urekebishaji lililofanywa kwa mshiriki wa binadamu au mgonjwa.
• Ufanisi wa kliniki au usalama wa mgonjwa haujathibitishwa.
• Uwezo wa DNN kujumlishwa kwa anatomia zote za watumiaji na matatizo yote ya mwendo haujaonyeshwa.
• Hakuna majaribio ya kimwili ya kina yaliyofanywa chini ya kelele halisi za sensa, ucheleweshaji wa aktueta na ucheleweshaji wa mawasiliano ya vifaa.
• Muda halisi wa inference kwenye CPU au GPU na benchmark ya mzunguko wa udhibiti haujaripotiwa.
• Haijaonyeshwa kwamba kidhibiti mseto cha DNN–PD ni sahihi zaidi kuliko mbinu zote linganishi katika kila hali.

Mbinu na Matokeo ya Utafiti

Mlolongo wa mbinu za utafiti

Sifa kuu za data na mtandao

Makosa ya juu ya ufuatiliaji ya mbinu za udhibiti katika mwendo wa mfuatano

Makosa ya juu ya ufuatiliaji ya mbinu za udhibiti katika mwendo wa wakati mmoja

Tafsiri sahihi ya ulinganisho

Katika Jedwali la 7, kidhibiti mseto cha DNN–PD kinaonyesha makosa ya juu yaliyo chini kuliko CTC na MRCTC, hasa katika viungo 3–7. Makosa ya SMC katika mwendo wa wakati mmoja ni makubwa zaidi katika viungo vingi. LQR nayo hutoa baadhi ya thamani za juu zaidi za kosa katika ulinganisho.

Hata hivyo, Adaptive Controller inaonyesha kosa la juu lililo chini kuliko DNN–PD katika viungo 1, 3, 4, 6 na 7; katika kiungo cha 2, mbinu zote mbili zina thamani sawa ya 0,0762°. Kwa hiyo, matokeo muhimu ya utafiti si kwamba DNN–PD ni bora kabisa kuliko njia zote mbadala, bali kwamba inatoa muundo mseto unaoweza kutoa kosa dogo na profiles za torati zinazofanana kama mbadala wa kukokotoa kila wakati mtandaoni modeli ya kihisabati ya mienendo.

Ulinganisho wa profiles za torati

Vielelezo 23–28 vinaonyesha profiles za torati za viungo saba katika harakati za mfuatano na za wakati mmoja kwa DNN–PD mseto, CTC, MRCTC, SMC, Adaptive Controller na LQR. Mtafiti anaripoti kwamba torati za kilele kati ya mbinu ziko katika viwango vinavyolinganishwa na kwamba mielekeo mikuu ya torati inabaki kufanana.

Matokeo haya yanaonyesha kwamba mbinu inayotegemea DNN haihitaji torati za aktueta zenye ukubwa tofauti kabisa na mbinu nyingine ili kupata kosa dogo la ufuatiliaji. Hata hivyo, makala haijapima mkondo halisi wa mota, matumizi ya betri au nishati ya vifaa halisi.

Tofauti za thamani za kosa ndani ya chanzo

Katika Sehemu ya 6, makosa ya juu ya DNN–PD yaliyoripotiwa moja kwa moja kutoka kwa uigaji wa trajectory yanafikia takribani 0,26° katika mwendo wa wakati mmoja na takribani 0,26° katika mwendo wa mfuatano. Kwa upande mwingine, katika Majedwali ya 6 na 7 ya Sehemu ya 8 ya ulinganisho, thamani za juu za kidhibiti mseto ni 0,1115° na 0,1181° mtawalia.

Makala haielezi wazi ikiwa tofauti kati ya makundi haya mawili ya makosa inatokana na hali ya jaribio, gain, uchaguzi wa data au mpangilio mwingine wa uigaji. Kwa hiyo, makundi haya mawili ya namba hayapaswi kutumiwa badala ya kila moja.

Mapungufu makuu

• Utafiti unategemea kikamilifu uundaji wa modeli na uigaji.
• Udhibiti wa wakati halisi haujatekelezwa kwenye exoskeleton halisi.
• Hakuna mshiriki wa binadamu au data ya kliniki ya urekebishaji iliyotumika.
• Data yote ya mafunzo ya DNN ilitengenezwa kutoka kwa modeli ya kihisabati; mafunzo hayakufanywa kwa data halisi ya sensa na aktueta.
• Hakuna ulinganisho wa muda wa utekelezaji wa wakati halisi wa CPU/GPU au ucheleweshaji wa sampuli uliotolewa.
• Chanzo kina kutolingana katika idadi ya michanganyiko ya urefu na uzito ya mafunzo.
• Idadi ya vigezo 224 vinavyofunzwa iliyoripotiwa kwa DNN hailingani wazi na usanifu uliounganishwa kikamilifu ulioelezwa.
• Makosa ya juu ya ufuatiliaji yaliyoripotiwa kwa kidhibiti mseto kilekile katika sehemu tofauti hayalingani kikamilifu.
• Katika siku zijazo, utekelezaji wa vifaa vya RT-Linux na urekebishaji mtandaoni kwa reinforcement learning umepangwa.

Dokezo la Chanzo na Mbinu

Jina kamili la kazi asilia: Development of a Deep Learning-Based Control Framework for Exoskeleton Robots

Mwandishi: S. K. Hasan.

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

Taarifa ya mwandishi anayewajibika: Chanzo hakina alama tofauti ya corresponding-author. Anwani ya barua pepe ya kitaasisi ya mwandishi pekee S. K. Hasan imetolewa.

Mchango sawa/uandishi wa kwanza sawa: Haitumiki; kazi ina mwandishi mmoja.

Jarida: Actuators.

Mchapishaji: MDPI, Basel, Switzerland.

Taarifa za kibibliografia: Actuators 2026, 15(5), 274.

DOI:10.3390/act15050274

Tarehe ya kuchapishwa: 16 Mei 2026. Kazi ilipokelewa tarehe 24 Machi 2026, ikarekebishwa tarehe 26 Aprili 2026 na kukubaliwa tarehe 13 Mei 2026.

Aina ya chanzo na hali ya mapitio ya wenzao: Ni makala ya utafiti iliyopitiwa na wenzao na kuchapishwa katika jarida Actuators. Kwa upande wa mbinu ya kisayansi, ni kazi inayolenga zaidi uundaji wa mienendo, ujifunzaji wa mashine na uigaji wa udhibiti.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Mtafiti ameripoti kuwa hakuna ufadhili wa nje uliopokelewa.

Kamati ya maadili: Haitumiki; utafiti hauhusishi mshiriki wa binadamu, tishu za binadamu, mnyama au data ya kliniki.

Ridhaa iliyoarifiwa: Haitumiki; hakuna mshiriki wa binadamu.

Upatikanaji wa data: Mwandishi anasema kwamba michango asilia ya utafiti imo ndani ya makala na maswali ya ziada yanaweza kuelekezwa kwa mwandishi.

Mgongano wa maslahi: Mwandishi anaripoti kuwa hakuna mgongano wa maslahi.

Michango ya mwandishi: Hakuna jedwali tofauti la CRediT/michango ya mwandishi lililotolewa; kazi ina mwandishi mmoja.

Kikomo cha tafsiri ya kisayansi:Utafiti unatathmini udhibiti mseto wa torati unaotegemea ujifunzaji wa kina katika modeli ya uigaji ya exoskeleton ya kiungo cha chini yenye viwango saba vya uhuru. Hakuna uthibitishaji uliofanywa kwenye roboti halisi, vifaa vya RT-Linux vya wakati halisi, mgonjwa au mtu mwenye afya aliyejitolea. Kwa hiyo, matokeo si ushahidi wa ufanisi wa kliniki wa urekebishaji au uaminifu wa vifaa halisi.

Dokezo la kutolingana ndani ya chanzo: Kuna kutolingana kusikoelezwa kati ya idadi ya vigezo vinavyofunzwa vya usanifu wa DNN, idadi ya michanganyiko ya urefu/uzito katika data ya mafunzo, maelezo ya aina ya mwendo ya Kielelezo cha 16 na makosa ya juu ya ufuatiliaji wa DNN–PD yaliyoripotiwa katika sehemu tofauti. Vipengele hivi havijasahihishwa kimya kimya.

Kikomo cha ufanisi wa kihesabu: Makala inadai kwamba usanifu uliopendekezwa unaweza kupunguza mzigo wa kihesabu na kunufaika na ulinganifu wa CPU/GPU; hata hivyo, hairipoti benchmark iliyopimwa ya execution-time, latency au speed-up ya wakati halisi kati ya mbinu. Utekelezaji wa vifaa umetajwa kama kazi ya baadaye.

Matokeo ya kisayansi katika maudhui haya ya Verianla yanategemea tu utafiti uliokaguliwa. Ukaguzi wa chanzo cha nje ulitumika tu kuthibitisha kibibliografia kichwa, DOI, jarida na utambulisho wa uchapishaji.