Harakati za binadamu hazifanyi kazi kama mashine inayorudia amri iliyowekwa mapema kwa namna ileile kila wakati. Mfumo wa neva, mfumo wa misuli na mifupa, mrejesho wa hisi, uchovu, ujifunzaji, mazingira na masharti ya kazi huathiriana kwa kuendelea. Kwa sababu hiyo, tabia ya mwendo wa binadamu—kuanzia kutembea na kudumisha usawa hadi harakati za mikono na uzalishaji wa nguvu—huonekana kwa kiwango kikubwa kama mfumo usio wa mstari, unaotegemea wakati na unaohisi muktadha.

Hoja kuu ya mapitio yaliyokaguliwa ni kwamba ili kuelewa harakati za binadamu, mienendo isiyo ya mstari na akili bandia hazipaswi kutumiwa kama washindani, bali kama zana zinazokamilishana. Mienendo isiyo ya mstari hufafanua miundo inayoeleza mpangilio wa harakati, kama vile awamu, kivutio, mzunguko-kikomo, manifold, uthabiti, bifurcation na modi ya uratibu. Kujifunza kwa mashine, kwa upande mwingine, kunaweza kuwezesha miundo hii kujifunzwa kutoka kwa data yenye vipimo vingi na iliyopimwa kwa sehemu, kutabiriwa kwa wakati halisi na kutumiwa katika mifumo ya udhibiti inayobadilika.

Mapitio yanaangazia madaraja matatu makuu ya matatizo. La kwanza ni miundo isiyo ya mstari ya ingizo-tokeo inayotabiri matokeo kama momenti ya kiungo, awamu ya harakati au modi ya uratibu kutoka kwa data ya sensa na kazi. La pili ni tatizo la mienendo ya muda na urekebishaji, linalowakilisha jinsi harakati na shughuli za neva zinavyokua kwa muda. La tatu ni kujifunza sera za udhibiti zinazobadilika katika usawa, kutembea na harakati nyingine changamano kwa kuunganisha kujifunza kwa uimarishaji na mienendo isiyo ya mstari ya mfumo.

Moja ya ujumbe muhimu wa chanzo ni kwamba usahihi mkubwa wa utabiri pekee hautoshi kisayansi. Muundo wa akili bandia unaweza kutabiri kwa mafanikio harakati iliyopimwa; hata hivyo, ikiwa muundo huohuo hauhifadhi kwa usahihi uthabiti wa mfumo wa harakati, mabadiliko ya uratibu, vivutio au mizunguko-kikomo, huenda haujajifunza utaratibu unaosimamia udhibiti wa mwendo wa binadamu. Kwa hiyo, inasisitizwa kuwa tathmini ya muundo haipaswi kutegemea vipimo vya kosa pekee, bali pia uhifadhi wa muundo wa mienendo.

Mapitio pia yanaweka wazi changamoto muhimu za sasa: seti za data za harakati za binadamu mara nyingi ni ndogo na mahususi kwa kazi; miundo ya kina inaweza kujifunza kupita kiasi; ujanibishaji kwa watu tofauti na hali tofauti za harakati unaweza kuwa mdogo; miundo inaweza kutoa matokeo yasiyowezekana kimwili; na mahali pa sensa, uchakataji wa awali na uchaguzi wa hyperparameter vinaweza kubadilisha matokeo kwa kiasi kikubwa. Ufafanukaji unaonekana kuwa tatizo muhimu hasa katika mifumo inayoshirikiana moja kwa moja na binadamu, kama vile urekebishaji na robotiki saidizi.

Mwelekeo wa baadaye unaopendekezwa na waandishi si kujenga miundo mikubwa zaidi ya kisanduku-cheusi, bali kuendeleza mifumo ya AI iliyoongozwa na nadharia, yenye vikwazo vya kimwili, inayoweza kufafanuliwa na inayoweza kujaribiwa pamoja na binadamu katika kitanzi kilichofungwa kwa wakati halisi. Inapendekezwa kuwa mbinu kama hiyo inaweza kuiga kwa ukamilifu zaidi uhusiano kati ya shughuli za neva, uamilishaji wa misuli na harakati za kimekanika.

Kwa mtazamo wa Türkiye: Utafiti haukufanywa kwa kundi maalum la wagonjwa, maabara, mfumo wa urekebishaji au roboti nchini Türkiye. Hata hivyo, mfumo uliowasilishwa unatoa mbinu inayoweza kuchunguzwa moja kwa moja katika tafiti za roboti za urekebishaji, mifupa ya nje, viungo bandia, mifumo ya kusaidia kutembea, biomekanika ya michezo, sensa za mwendo zinazovaliwa, ushirikiano wa binadamu na roboti, na uhandisi wa neva nchini Türkiye. Hasa katika aktueta zinazotoa msaada mahususi kwa mtu, badala ya kuainisha harakati tu, inaweza kuwa muhimu kukadiria kwa wakati halisi awamu ya mtumiaji, uthabiti wake na muundo wake wa uratibu unaobadilika. Hata hivyo, matokeo ya mapitio hayaonyeshi kuwa mfumo wowote wa urekebishaji unaosaidiwa na AI au mfumo wa udhibiti wa roboti uko tayari kwa matumizi ya kliniki au viwandani nchini Türkiye; usalama, manufaa ya kliniki, ujanibishaji kwa makundi tofauti na uthibitishaji wa kitanzi kilichofungwa kwa wakati halisi vinahitaji kutathminiwa kando.

Kwa nini utofauti katika harakati za binadamu si “kosa” tu?

Katika mtazamo wa kawaida wa uhandisi, kwa ujumla hutamaniwa kwamba ingizo lilelile litoe tokeo lilelile kila wakati. Mfumo wa mwendo wa binadamu ni tofauti. Hata mtu yuleyule anaporudia kazi ileile, maelezo ya harakati hayawi sawa kabisa.

Mapitio yanasisitiza kuwa utofauti huu haupaswi kuonekana kama kelele ya sensa au kosa la udhibiti pekee. Mfumo wa harakati huchunguza nafasi ya suluhisho, hujirekebisha kwa mabadiliko ya mazingira na unaweza kuendeleza mikakati tofauti chini ya uchovu, mzigo wa kiakili au usumbufu wa kimekanika.

Kwa hiyo, udhibiti wa mwendo unaofanya kazi huchukuliwa si kama kutokuwepo kwa utofauti, bali kama usawa unaofaa kati ya uthabiti na unyumbufu.

Mfumo usio wa mstari unamaanisha nini?

Katika mfumo wa mstari, athari ya mabadiliko ya ingizo kwenye tokeo inaweza kuelezwa kwa mahusiano fulani ya uwiano. Katika harakati za binadamu, mahusiano kati ya nguvu ya misuli, jiometri ya viungo, udhibiti wa neva, mrejesho wa hisi na mazingira mara nyingi si rahisi hivyo.

Mabadiliko madogo ya kazi wakati mwingine yanaweza kusababisha mabadiliko madogo ya harakati, lakini katika hali nyingine yanaweza kusababisha modi ya uratibu kubadilika kabisa. Kwa mfano, mfumo unaweza kudumisha modi fulani ya uratibu hadi masafa fulani ya harakati na baada ya kufikia hatua muhimu kubadilika kwenda modi nyingine.

Tabia kama hizi zinaweza kuchunguzwa katika lugha ya mifumo ya mienendo isiyo ya mstari kupitia vivutio, mahusiano ya awamu, mabadiliko ya uthabiti na bifurcation.

Kivutio ni nini?

Kivutio (attractor) ni hali au muundo wa tabia ambao mfumo wa mienendo huwa na mwelekeo wa kuuelekea au kubaki karibu nao kadiri muda unavyopita.

Katika harakati za binadamu, mpangilio fulani wa kutembea, modi ya uratibu wa mkao au muundo wa harakati za kurudiarudia unaweza kuchukuliwa kama kivutio cha mienendo. Ikiwa harakati inarudi karibu na muundo huo baada ya usumbufu mdogo, muundo huo una kiwango fulani cha uthabiti.

Kwa AI, swali muhimu si tu kama muundo unatabiri koordinati zilizopimwa, bali pia kama umejifunza muundo huu thabiti uliopo katika mfumo halisi.

Kwa nini mzunguko-kikomo ni muhimu kwa kutembea?

Katika harakati za kurudiarudia kama kutembea, tabia ya mfumo katika nafasi ya awamu inaweza kukaribia njia iliyofungwa. Muundo huu huitwa mzunguko-kikomo.

Mzunguko-kikomo thabiti unaonyesha kuwa baada ya usumbufu mdogo, mfumo unaweza kurudi kwenye muundo wa kutembea wa kurudiarudia. Kwa hiyo, kutabiri pembe za viungo kwa usahihi pekee kunaweza kutotosha kuelewa udhibiti wa kutembea.

Muundo pia unahitaji kuwakilisha uthabiti wa mzunguko, kurejea baada ya usumbufu na jinsi mzunguko unavyobadilika chini ya vigezo tofauti.

Kwa nini awamu inajaribiwa kukadiriwa kwa wakati halisi kwa AI?

Katika harakati za mzunguko, awamu ni mojawapo ya vigezo muhimu vya mienendo vinavyoonyesha sehemu gani ya mzunguko wa harakati imefikiwa.

Kwa mfano, kwa roboti ya kusaidia kutembea, haitoshi kujua tu kwamba “mtu anatembea.” Ili kujua aktueta itoe nguvu lini, awamu ya hatua ya mtumiaji pia inahitaji kujulikana.

Baadhi ya mbinu za kawaida za kutoa awamu zinaweza kutegemea uchakataji nje ya mtandao au hali maalum za ishara. Mojawapo ya tafiti zilizopitiwa hutumia muundo wa LSTM kukadiria awamu ya papo hapo kutoka kwa historia fupi ya harakati za pande tatu.

Hivyo, dhana ya “awamu” kutoka katika mienendo isiyo ya mstari inakuwa kigezo cha udhibiti kinachoweza kukadiriwa na akili bandia kwa wakati halisi.

Dhana ya manifold inaeleza nini?

Ingawa maelfu au hata zaidi ya vigezo vya neva vinaweza kupimwa katika ubongo, wakati wa tabia shughuli hizi zote hazibadiliki kwa kujitegemea. Tafiti zinazojadiliwa katika mapitio zinachunguza uwezekano kwamba shughuli za neva zenye vipimo vingi zinaweza kupangwa katika miundo ya kijiometri yenye vipimo vichache lakini isiyo ya mstari.

Kwa kuangalia miundo hii kwa mtazamo wa manifold, mifumo ya uratibu iliyo nyuma ya tabia inaweza kuwakilishwa katika nafasi ya hali yenye maana zaidi kuliko data ghafi yenye vipimo vingi.

Hapa jukumu la akili bandia si kupunguza vipimo tu. Matarajio makuu ya kisayansi ni kwamba nafasi ya vipimo vichache iliyojifunzwa ihifadhi mpangilio wa mienendo uliopo katika mfumo halisi wa neva au mwendo.

Kwa nini uangalizi wa sehemu tu ni muhimu?

Hali halisi ya mfumo wa mwendo wa binadamu haiwezi kupimwa kikamilifu. Sensa inayovaliwa inaweza kupima kuongeza kasi pekee; EMG inaweza kunasa shughuli za baadhi ya misuli; EEG au MEG inaweza kuwakilisha sehemu fulani ya shughuli za neva.

Kwa hiyo, mfumo wa AI huona sehemu tu ya hali halisi ya mwendo.

Kwa sababu hii, mapitio yanasisitiza umuhimu wa historia fupi ya wakati. Ikiwa kipimo cha wakati mmoja hakitoi taarifa ya kutosha, uchunguzi wa zamani unaweza kutumiwa kufanya makadirio bora zaidi ya hali iliyofichika.

Kwa hiyo, uwekaji wa koordinati zilizocheleweshwa na mbinu za kujifunza kwa kina za muda haziangaliwi tu kama uchaguzi wa programu katika udhibiti wa mwendo, bali kama mbinu ya mienendo ya kushughulikia uangalizi wa sehemu tu.

AI hujifunzaje mahusiano yasiyo ya mstari ya ingizo-tokeo?

Daraja la kwanza la matatizo makuu katika mapitio ni kutabiri kutoka kwa miingizo inayoweza kupimwa matokeo yenye maana kwa udhibiti.

Mifano ya uwakilishi iliyotolewa katika chanzo ni pamoja na:

Jinsi gani kujifunza kwa uimarishaji kwa kina kunaweza kuibua uratibu unaofanana na wa binadamu?

Mojawapo ya mifano ya kuvutia inayojadiliwa katika chanzo ni kazi ya kufuatilia shabaha kwa kichwa wakati wa kusimama.

Kwa binadamu, uhusiano kati ya harakati za nyonga na kifundo cha mguu unaweza kubadilika kwenda katika modi tofauti za uratibu kulingana na masafa ya kazi. Katika masafa ya chini uratibu wa awamu moja unaweza kuonekana, ilhali katika masafa ya juu uratibu wa awamu pinzani unaweza kutokea.

Humanoid iliyosimuliwa inayotumia PPO ya model-free ilijifunza kazi ya usawa bila kupewa moja kwa moja milinganyo ya mienendo ya mwili, na iliweza kuzalisha tena mabadiliko kati ya modi hizi mbili za uratibu kadiri masafa ya kazi yalivyobadilika.

Muhimu zaidi, tabia iliyojifunzwa haikutathminiwa kwa njia za viungo pekee; ilichambuliwa kwa vipimo vya uratibu usio wa mstari kama awamu jamaa na uhusiano kati ya nyonga na kifundo cha mguu.

Wazo kuu la mapitio hapa ni wazi sana: thamani ya kisayansi ya AI haitokani tu na kuiga harakati lengwa, bali na kuzalisha tena muundo wa mienendo ya uratibu uliobainishwa katika tabia ya binadamu.

Kwa nini mienendo ya neva ya muda ni tofauti na uainishaji tuli?

Ndani ya mfumo wa neva, taarifa haiwakilishwi kila wakati kama kiwango kisichobadilika cha shughuli. Katika baadhi ya hesabu, inapendekezwa kwamba taarifa inaweza kuhifadhiwa katika mahusiano ya awamu kati ya mitetemo tofauti.

Tafiti za RNN zilizojadiliwa katika mapitio zinaonyesha kuwa katika kazi za kumbukumbu ya kufanya kazi yenye mitetemo, mitandao baada ya mafunzo inaweza kuendeleza vivutio vya mzunguko-kikomo vilivyofungwa kwa awamu vinavyowakilisha vichocheo tofauti kwa mahusiano tofauti thabiti ya awamu.

Mitandao hii haikuachwa kama visanduku vyeusi tu; uthabiti wa muundo uliojifunzwa ulichambuliwa kwa zana za mifumo ya mienendo kama vipande vya Poincaré, ramani za kurudi na viongeza vya Floquet.

Mbinu hii ni mfano mzuri wa maana ya kuunganisha akili bandia na mienendo isiyo ya mstari: mtandao hujifunza kazi, kisha uchanganuzi wa mfumo wa mienendo hujaribu kueleza kwa istilahi za kimekanika kile ambacho mtandao umejifunza.

Je, kujifunza kwa uimarishaji kunapaswa kudhibiti kila kitu peke yake?

Jibu la mapitio ni hapana.

Katika baadhi ya mifano, mbinu yenye nguvu zaidi si udhibiti uliojifunzwa kikamilifu bali ni muundo wa udhibiti mseto. Mfumo unapokuwa katika eneo la uendeshaji linaloeleweka vizuri, udhibiti wa kawaida usio wa mstari hutoa uthabiti; hali inapoondoka eneo la kawaida, sera iliyojifunzwa inaweza kuchukua jukumu la kurejesha mfumo katika nafasi pana zaidi ya hali.

Katika mfano wa kutembea kwa miguu miwili kwa mienendo pasivu, mbinu hii inaonekana wazi. Kwa kuwa mfumo unaweza kuonyesha tabia ya chaotic, lengo ni kurejea kwenye kutembea kwa mzunguko thabiti.

Hali inapokuwa karibu na njia ya mzunguko isiyotulia inayolengwa, ugumu wa nyonga hurekebishwa kwa udhibiti wa chaos wa OGY; hali inapokuwa mbali, sera inayotegemea DQN huzalisha momenti za msukumo zinazoelekeza mfumo kurudi katika eneo thabiti.

Hivyo, AI huchukua jukumu la urejeshaji wa jumla na uchunguzi, huku udhibiti wa kiuchanganuzi ukichukua jukumu la uthabiti wa eneo.

Kwa nini roboti ya misuli na mifupa ya nyumatiki ni mfano muhimu?

Katika mfano mwingine wa mapitio, tabia kali zisizo za mstari kama hysteresis na ucheleweshaji katika roboti zinazotumia aktueta zinazofanana na misuli ya nyumatiki zinachunguzwa.

Katika mifumo hii, muundo wa fizikia pekee unaweza kushindwa kuwakilisha tabia nzima kwa usahihi. Muundo unaotegemea data kikamilifu nao unaweza kupoteza maana yake ya kimwili.

Kama suluhisho, inaangaliwa kuongeza mienendo mabaki iliyojifunzwa ya Gaussian Process juu ya muundo wa kimwili na kuitumia ndani ya ujifunzaji wa uimarishaji unaotegemea muundo / MPC.

Mbinu hii inawakilisha wazo la kuhifadhi sehemu inayojulikana kimwili na kuiacha AI ijifunze tu sehemu isiyojulikana au isiyoweza kuigwa.

Ikiwa AI inaweza kutabiri, je, inahesabika kuwa imeeleza mfumo?

Hapana. Mojawapo ya tofauti muhimu zaidi katika mapitio ni kati ya utabiri na maelezo.

Muundo unaweza kutabiri nafasi ya baadaye ya kiungo kwa kosa dogo. Hata hivyo, mafanikio hayo pekee hayaelezi kwa nini modi fulani ya uratibu imetokea, kwa nini mabadiliko kwenda modi nyingine yametokea au kwa nini mfumo ni thabiti dhidi ya usumbufu.

Kwa maelezo ya kisayansi, miundo iliyojifunzwa inahitaji kuhusishwa na miundo yenye maana kwa udhibiti kama:

• vivutio,
• mizunguko-kikomo,
• mahusiano ya awamu,
• bifurcation,
• maeneo ya uthabiti,
• modi za uratibu

.

Kwa nini R² kubwa au kosa dogo linaweza kutotosha?

Katika kujifunza kwa mashine, mafanikio ya muundo mara nyingi hutathminiwa kwa vipimo kama kosa la utabiri au uhusiano. Mapitio yanasema kuwa hii haitoshi katika matatizo ya udhibiti wa mwendo na mifumo ya mienendo.

Muundo unaweza kufanya utabiri sahihi kwa muda mfupi lakini kwa muda mrefu ukaondoka kwenye kivutio halisi. Muundo mwingine unaweza kuwa na kosa kubwa zaidi kwa kiwango cha nukta lakini ukahifadhi kwa usahihi mzunguko-kikomo, mabadiliko ya awamu au sifa za takwimu za mienendo ya mfumo.

Kwa hiyo, tathmini inapaswa kubadilika kulingana na lengo:

Kwa nini hatupaswi kuacha kabisa mbinu za mstari?

Mapitio yanapotetea mbinu zisizo za mstari, yanaweka usawa muhimu: mbinu zisizo za mstari si bora katika kila hali.

Hasa katika tafiti zenye data chache, miundo ya mstari inaweza kuwa:

• thabiti zaidi,
• rahisi zaidi kufafanua,
• na gharama ndogo ya hesabu,
• stahimilivu zaidi dhidi ya kujifunza kupita kiasi

.

Inaelezwa pia kuwa hata zana za kupunguza vipimo kwa mstari kama PCA zinaweza kufichua kwa namna yenye manufaa baadhi ya miundo yenye vipimo vichache katika mfumo usio wa mstari.

Kwa hiyo swali sahihi si “mstari au usio wa mstari?” bali ni mfumo gani wa uundaji unaofaa kwa muundo wa data, kiasi cha data na lengo la kisayansi?

Tatizo la kisanduku-cheusi

Kizuizi kikubwa cha kwanza cha mapitio ni kwamba uwakilishi wa ndani wa miundo changamano ya AI unaweza usilingane na dhana zenye maana katika udhibiti wa mwendo wa binadamu.

Mtandao wa kina unaweza kutoa utendaji mkubwa lakini ikawa haijulikani ni kigezo gani cha ndani kinachowakilisha uthabiti, uratibu au mkakati wa udhibiti.

Tatizo hili ni muhimu hasa katika urekebishaji na vifaa saidizi. Kwa mfumo unaoshirikiana kimwili na binadamu, sababu ya kutumia nguvu fulani ya msaada inahitaji kueleweka si tu kwa utendaji, bali pia kwa usalama na tafsiri ya kisayansi.

Tatizo la data ndogo na zenye utofauti

Katika tafiti za udhibiti wa mwendo wa binadamu, seti za data mara nyingi hutegemea:

• idadi ndogo ya washiriki,
• kazi maalum ya maabara,
• kasi maalum za harakati,
• makundi maalum ya umri au afya,
• mipangilio maalum ya sensa

.

Hali hii huleta hatari kubwa ya ujanibishaji katika miundo ya AI yenye idadi kubwa ya vigezo. Muundo unaoonekana kuwa na mafanikio makubwa maabara unaweza kushindwa katika harakati nyingine, makundi tofauti au hali mpya kama uchovu.

Hatari ya utabiri usiowezekana kimwili

Muundo wa takwimu pekee unaweza kujifunza mahusiano yaliyopo katika data; lakini ikiwa haujui vikwazo vya biomekanika, unaweza kutoa nguvu, harakati ya kiungo au tabia ya udhibiti isiyowezekana kimwili.

Kwa hiyo, mapitio yanaona kuingiza moja kwa moja maarifa ya biomekanika au neuromechanics katika usanifu wa kujifunza kuwa mwelekeo muhimu wa baadaye.

Mitandao ya neva inayoongozwa na fizikia, tabaka za fizikia zinazoweza kutofautishwa, mienendo ya kiuchanganuzi + muundo mabaki uliojifunzwa, na miundo semiparametric ni namna tofauti za kutekeleza wazo hili.

Tatizo la urudiaji

Matokeo ya udhibiti wa mwendo unaotegemea AI hayategemei usanifu wa muundo pekee. Chanzo kinasisitiza kuwa mambo yafuatayo pia yanaweza kubadilisha matokeo:

• mbinu ya uchakataji wa awali,
• mahali pa sensa mwilini,
• uchaguzi wa hyperparameter,
• kipimo cha tathmini kinachotumiwa,
• usambazaji wa data kwa kazi na washiriki.

Vigezo hivi visiposawazishwa, inakuwa vigumu kulinganisha moja kwa moja matokeo ya tafiti tofauti.

Muundo wa siku zijazo unapaswa kuwa wa namna gani?

Mbinu inayopendekezwa katika mapitio inaunganisha vipengele vinne vikuu:

1. Uwakilishi unaoongozwa na nadharia: vigezo vya hali vyenye maana kisayansi kama awamu, kivutio, manifold, uthabiti au modi ya uratibu vinapaswa kutumiwa.
2. Fizikia + AI mseto: muundo wa biomekanika unaojulikana unapaswa kuhifadhiwa; AI ijifunze sehemu isiyojulikana au mahususi kwa mtu.
3. Uthibitishaji wa mienendo: si kosa la utabiri tu, bali pia vivutio, mabadiliko na uthabiti wa mfumo vinapaswa kupimwa.
4. Uthibitishaji wa binadamu-AI katika kitanzi kilichofungwa: miundo haipaswi kujaribiwa tu kwa data iliyorekodiwa awali, bali pia wakati wa mwingiliano wa wakati halisi na binadamu.

Kwa nini ni muhimu kwa mifumo ya binadamu-aktueta?

Roboti ya urekebishaji au mifupa ya nje haipaswi kuridhika na kusoma tu harakati ya sasa ya binadamu. Kimsingi, mfumo unapaswa:

• kukadiria hali ya sasa ya mwendo wa mtu,
• kutambua awamu ya harakati,
• kutathmini kama uratibu ni thabiti,
• kutambua mabadiliko yanayosababishwa na uchovu au ujifunzaji,
• kubadilisha kiwango cha msaada ipasavyo

na kufanya yote haya ndani ya kitanzi kilichofungwa.

Mwelekeo wa kisayansi unaopendekezwa na mapitio ni kuchukulia uhusiano huu kati ya binadamu na aktueta si kama tatizo la udhibiti lisilobadilika, bali kama mfumo wa mienendo unaobadilika ambao pande zote mbili zinaweza kubadilika kwa muda.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti huu hautoi data mpya za washiriki, jaribio jipya la kliniki au jaribio jipya la roboti. Waandishi wanaunganisha tafiti za uwakilishi kutoka katika fasihi iliyopo ndani ya mfumo wa dhana na mbinu.

Uainishaji mkuu wa mapitio haupangi tafiti kulingana na algoriti wanayotumia, bali kulingana na tatizo la udhibiti wa mwendo usio wa mstari wanalojaribu kutatua:

1. mahusiano yasiyo ya mstari ya ingizo-tokeo,
2. mienendo ya muda na urekebishaji,
3. kujifunza kwa uimarishaji na sera za udhibiti.

Kikomo cha mapitio ya kimfumo

Chanzo hakitoi itifaki ya utafutaji wa kimfumo inayobainisha fasihi ilichaguliwa kutoka hifadhidata zipi, kwa hoja gani za utafutaji na kwa vigezo gani vya kujumuisha/kutenga.

Utafiti hufanya usanisi wa dhana kupitia tafiti teule za uwakilishi. Kwa hiyo, tafiti katika Jedwali 1-3 hazipaswi kuchukuliwa kama sampuli kamili au iliyopimwa kitakwimu ya fasihi yote husika.

Majedwali matatu ya data ya mapitio

Jedwali 1 linalinganisha viashiria vya udhibiti wa mwendo usio wa mstari na mbinu za uundaji wa ingizo-tokeo zinazotegemea AI. Mifano inajumuisha data za sEMG, accelerometer, IMU na motion capture; CWT, eksponenti ya Lyapunov, entropia na vigezo vya awamu; pamoja na mbinu kama SVM, XGBoost, CNN, Bi-LSTM, PPO na LSTM.

Jedwali 2 linachunguza uwakilishi wa muda na manifold. Kupitia mifano kama uundaji upya wa mifumo ya chaotic kutoka uchunguzi wa sehemu, manifold za neva zisizo za mstari, uratibu wa mkao na kumbukumbu ya kufanya kazi iliyosimbwa kwa awamu, miundo ya mienendo inayotegemea ResNet, mitandao ya koordinati zilizocheleweshwa, RNN na PPO hujadiliwa.

Jedwali 3 linafupisha udhibiti unaosaidiwa na AI wa mifumo isiyo ya mstari ya mwendo na aktueta. Mifumo tofauti kama mfumo wa kuruka kwa kupiga mabawa, udhibiti wa mkao wa binadamu, uratibu wa humanoid, lokomosheni ya wadudu, roboti ya misuli na mifupa ya nyumatiki na kutembea kwa miguu miwili kwa mienendo pasivu hutathminiwa ndani ya mfumo mmoja wa dhana.

Ugunduzi mkuu uliounganishwa 1: AI huwa na maana zaidi kisayansi iwapo muundo wa mienendo umehifadhiwa

Hitimisho la msingi zaidi la mapitio ni kwamba uwezo wa akili bandia kutabiri tabia isiyo ya mstari pekee hautoshi.

Muundo wenye nguvu zaidi kisayansi ni ule unaoweza kuhifadhi katika uwakilishi wake uliojifunza miundo ya udhibiti wa mwendo kama:

• jiometri ya manifold,
• mahusiano ya awamu,
• vivutio,
• mizunguko-kikomo,
• bifurcation,
• sifa za uthabiti

.

Ugunduzi mkuu uliounganishwa 2: Nguvu ya AI iko katika uangalizi wa sehemu na ulinganishaji changamano

Kwa kuwa mfumo wa mwendo wa binadamu hauwezi kupimwa kikamilifu, mojawapo ya michango muhimu ya AI ni uwezo wa kukadiria hali zilizofichika au zilizotokana na mwendo kutoka kwa sensa chache.

Mapitio yanaonyesha hili kwa mifano ya ukadiriaji wa awamu kwa wakati halisi, utabiri wa momenti ya kiungo na uundaji upya wa hali ya mienendo kutoka uchunguzi wa sehemu.

Ugunduzi mkuu uliounganishwa 3: Historia ya muda si taarifa ya ziada tu

Katika mifumo inayoweza kuangaliwa kwa sehemu, thamani ya sensa ya wakati mmoja inaweza kutotosha kufafanua mfumo halisi. Faida ya RNN, LSTM na mbinu za koordinati zilizocheleweshwa ni kwamba vipimo vya zamani vinaweza kutumiwa kufichua hali iliyofichika ya mfumo.

Kwa hiyo, mapitio yanaona kumbukumbu ya muda si tu kipengele cha vitendo kinachoongeza utendaji wa muundo, bali pia mojawapo ya mahitaji ya kinadharia ya kuunda mifumo ya mienendo yenye hali zilizofichika.

Ugunduzi mkuu uliounganishwa 4: RL na udhibiti usio wa mstari si lazima ziwe mbadala wa kila mmoja

Katika mifano iliyochunguzwa, kujifunza kwa uimarishaji wakati mwingine huchukua nafasi ya udhibiti wa kawaida na wakati mwingine hutumiwa pamoja nao.

Hasa katika nafasi changamano na pana ya hali, uwezo wa AI wa kujirekebisha na kurejesha unaweza kuunganishwa na sifa za uthabiti za udhibiti wa kiuchanganuzi katika maeneo ya ndani yaliyoelezwa vizuri.

Muundo huu unapendekeza mgawanyo wa kazi kati ya mbinu hizo mbili badala ya mgawanyiko wa “sera iliyojifunzwa au udhibiti unaotegemea fizikia?”

Ugunduzi mkuu uliounganishwa 5: Uthibitishaji wa kitanzi kilichofungwa ni mojawapo ya mapengo muhimu

Mifumo mingi ya AI ya udhibiti wa mwendo hutathminiwa kwa mafanikio ya utabiri kwenye data za nje ya mtandao. Mapitio yanasema kuwa ili kuthibitisha udhibiti wa mwendo unaobadilika kweli, muundo unapaswa kuingiliana na binadamu au mfumo wa kimwili kwa wakati halisi.

Ni pale tu muundo unapoweza kuonyesha urekebishaji wenye mafanikio chini ya usumbufu, uchovu, malengo yanayobadilika na tabia ya mtu inayobadilika kwa muda ndipo utaonyesha uwezo wa udhibiti ulio zaidi ya kujifunza uhusiano tuli.

Vikwazo vikuu vya sasa

Usanifu unaopendekezwa kwa utafiti wa baadaye

Katika sehemu ya hitimisho ya chanzo, mahitaji matatu makuu yanasisitizwa:

1. Usanifu unaoongozwa na nadharia na mseto: kuingiza muundo wa biomekanika na udhibiti ndani ya muundo, huku AI ikijifunza kutokuwa na uhakika kulikobaki.
2. Tathmini inayojaribu usahihi wa mienendo: si utendaji wa utabiri tu, bali pia uthabiti, mabadiliko na uhifadhi wa miundo isiyobadilika vinapaswa kutathminiwa.
3. Uthibitishaji wa kitanzi kilichofungwa kwa wakati halisi: urekebishaji wa muundo chini ya usumbufu, uchovu na malengo yanayobadilika unapaswa kujaribiwa.

Matokeo yanayoungwa mkono na utafiti

• Mienendo isiyo ya mstari na AI zinaweza kutumiwa kama zana zinazokamilishana.
• Vigezo vya mienendo kama awamu, kivutio, manifold na uthabiti vinaweza kutoa muundo wa kisayansi kwa miundo ya AI.
• Miundo ya AI ya muda inaweza kusaidia ukadiriaji wa hali zilizofichika katika mifumo ya mwendo inayotazamwa kwa sehemu.
• Kujifunza kwa uimarishaji kunaweza kutumiwa kujifunza uratibu unaobadilika na sera za udhibiti.
• Kuunganisha miundo inayotegemea fizikia na mienendo mabaki iliyojifunza kunaweza kusawazisha uelezekaji na urekebishaji.
• Tathmini ya AI haipaswi kutegemea usahihi wa utabiri wa nukta pekee.
• Miundo ya mstari bado inaweza kupendelewa katika baadhi ya matatizo yenye data chache au hitaji kubwa la uelezekaji.
• Majaribio ya wakati halisi ya binadamu-AI katika kitanzi kilichofungwa ni mojawapo ya mahitaji muhimu ya baadaye ya uwanja huu.

Matokeo ambayo utafiti haujathibitisha

• Haijaonyeshwa kuwa AI ni bora kuliko mbinu za mstari au za kiuchanganuzi katika miundo yote ya udhibiti wa mwendo wa binadamu.
• Haijaonyeshwa kuwa usanifu mmoja wa AI ndio mbinu bora kwa aina zote za harakati.
• Mapitio hayajaribu ufanisi wa matibabu mapya ya kliniki.
• Hayatoi data mpya za kliniki zinazoonyesha kuwa roboti yoyote ya urekebishaji huboresha matokeo ya wagonjwa.
• Usalama wa jumla wa udhibiti wa AI wa kitanzi kilichofungwa kwa binadamu haujathibitishwa.
• Matokeo ya tafiti za uwakilishi hayajachanganuliwa upya katika seti moja ya data ya pamoja.
• Meta-uchanganuzi wa kiasi haujafanywa.
• Haiwezi kuhitimishwa kwamba mifumo yote ya AI inayojadiliwa katika mapitio iko tayari kwa matumizi ya uwanjani kwa wakati halisi.

Maelezo ya Chanzo na Mbinu

Jina kamili la kazi asilia: Learning Nonlinear Motor Control: How Integrating Machine Learning and Nonlinear Dynamics Reveals Structure, Adaptation, and Control in Human Movement

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

Mwandishi wa mawasiliano: Armin Hakkak Moghadam Torbati.

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

Aina ya chanzo: Mapitio (Review).

Jarida: Actuators.

Mchapishaji: MDPI.

Uchapishaji: 2026, Juzuu 15, Makala 166.

Tarehe ya kuwasilisha: 5 Februari 2026.

Tarehe ya marekebisho: 12 Machi 2026.

Tarehe ya kukubaliwa: 14 Machi 2026.

Tarehe ya kuchapishwa: 16 Machi 2026.

DOI: 10.3390/act15030166.

Kiungo rasmi:https://doi.org/10.3390/act15030166

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Waandishi waliripoti kuwa utafiti haukupokea ufadhili wa nje.

Kamati ya maadili: Iliripotiwa kuwa haitumiki.

Ridhaa iliyoarifiwa: Iliripotiwa kuwa haitumiki.

Upatikanaji wa data: Ilielezwa kuwa hakuna data mpya iliyoundwa katika mapitio haya na kwamba kushiriki data hakutumiki.

Mgongano wa maslahi: Waandishi waliripoti kutokuwa na mgongano wa maslahi.

Tamko la utengenezaji wa picha: Iliripotiwa kuwa maudhui ya kisayansi ya Kielelezo 1 katika chanzo yaliundwa na waandishi; zana ya kuhariri picha inayotegemea akili bandia ilitumiwa tu kuboresha rangi na mpangilio kwa upande wa michoro.

Maelezo muhimu kuhusu mbinu ya mapitio

Utafiti hauna jaribio jipya la binadamu, jaribio jipya la roboti au seti mpya ya data ya vipimo. Mchango wa kisayansi ni usanisi wa dhana wa tafiti mbalimbali za udhibiti wa mwendo na AI chini ya dhana za pamoja za mienendo isiyo ya mstari.

Chanzo hupanga tafiti za uwakilishi kulingana na madaraja matatu makuu ya matatizo: mahusiano yasiyo ya mstari ya ingizo-tokeo, mienendo ya muda/urekebishaji na sera za udhibiti zinazotegemea kujifunza kwa uimarishaji.

Utafiti hauripoti mkakati wa kina wa kutafuta hifadhidata, mtiririko wa PRISMA, vigezo vya kujumuisha/kutenga tafiti au mfumo wa kawaida wa kupima ubora wa tafiti unaotarajiwa katika mapitio ya kimfumo. Kwa hiyo, maelezo haya ya Verianla hayaitaji chanzo kuwa mapitio ya kimfumo au meta-uchanganuzi.

Maelezo muhimu kuhusu kiwango cha ushahidi

Tafiti zilizochunguzwa katika mapitio hutofautiana kwa kiasi kikubwa. Baadhi hutumia data za sEMG, IMU au motion capture kutoka harakati za binadamu, wakati nyingine huchunguza humanoid, roboti ya nyumatiki, mtembezi wa mienendo pasivu au mifumo mingine iliyosimuliwa.

Kwa hiyo, mafanikio yaliyopatikana katika utafiti mmoja hayawezi kuhamishwa moja kwa moja kwa kundi jingine la binadamu, mpangilio mwingine wa sensa, kifaa cha urekebishaji au mfumo wa roboti.

Kikomo cha tafsiri kuhusu AI na mienendo isiyo ya mstari

Hitimisho kuu la chanzo si kwamba miundo changamano zaidi ya AI huwa moja kwa moja ya kisayansi zaidi au sahihi zaidi. Waandishi wanasisitiza hasa kwamba katika hali zenye data chache, mbinu za mstari zinaweza kuwa bora kwa uthabiti, uelezekaji na ufanisi wa kihesabu.

Mbinu inayopendekezwa ni kuchagua muundo si kwa upendeleo wa njia fulani, bali kwa kuzingatia muundo wa data, ukubwa wa sampuli, uangalizi wa sehemu, hitaji la wakati halisi na swali la kisayansi.

Kikomo cha tafsiri kuhusu matumizi ya kitanzi kilichofungwa

Mapitio yanataja AI inayoongozwa na nadharia na mwingiliano wa binadamu-aktueta kama mwelekeo muhimu wa utafiti wa baadaye. Kauli hii haimaanishi kuwa mifumo ya sasa imekamilika kwa upande wa kliniki au usalama.

Waandishi wenyewe wanasisitiza kuwa mifumo ya binadamu-AI ya kitanzi kilichofungwa kwa wakati halisi inahitajika ili kuthibitisha kama mifumo hiyo inaweza kujirekebisha kwa tabia inayobadilika na kama sera zilizojifunzwa kweli zinawakilisha udhibiti wa mwendo unaobadilika.

Maelezo ya kisayansi, madaraja ya tafiti za mfano, mbinu, vikwazo na mielekeo ya baadaye katika maandishi haya ya Verianla yameandaliwa tu kwa msingi wa mfumo uliotolewa na mapitio yaliyokaguliwa na tafiti zilizowasilishwa humo. Hakuna viwango vya mafanikio ya kliniki, matokeo ya matibabu au thamani za utendaji wa uwanjani ambazo hazipo katika chanzo zilizoongezwa.