Tadqiqot yetti erkinlik darajasiga ega inson pastki oyoq ekzoskelet robotining bo‘g‘im momentlarini real vaqt boshqaruviga mos ravishda bashorat qilish uchun fizika asosidagi ma’lumotlarda o‘qitilgan chuqur neyron tarmoq hamda qoldiq kuzatuv xatolarini tuzatuvchi PD teskari aloqa boshqaruvchisidan iborat gibrid tuzilmani ishlab chiqadi. Robotning analitik dinamik modeli yordamida dastlab 43.560.880 ta ma’lumot namunasi yaratilgan, ma’lumotlar hajmi o‘ndan biriga kamaytirilib, tarmoq 4.356.088 ta namuna bilan o‘qitilgan. Ishlab chiqilgan tarmoq 23 ta kirish o‘zgaruvchisini yetti bo‘g‘im momentiga moslaydi; uchta yashirin qatlamda mos ravishda 21, 14 va 7 ta neyron, chiqish qatlamida esa 7 ta neyron ishlatilgan. Simulyatsion taqqoslashlarda DNN–PD boshqaruvchisi computed torque, model reference computed torque, sliding mode, adaptive va LQR boshqaruvchilari bilan bir xil robot dinamikasi sharoitida past trayektoriya kuzatuv xatolarini ko‘rsatgan. Biroq natijalarning barchasi modellashtirish va simulyatsiyaga asoslangan; jismoniy ekzoskelet yoki inson ishtirokchisida real vaqt apparat tasdig‘i o‘tkazilmagan.

Ishning asosiy yondashuvi robotning massa matritsasi, Koriolis–markazdan qochma ta’sirlari, gravitatsiya va boshqa nochiziqli dinamikalarni har bir boshqaruv siklida analitik ravishda qayta hisoblash o‘rniga, ushbu kirish–chiqish bog‘lanishini oldindan o‘qitilgan chuqur neyron tarmoq bilan taxminiy ifodalashdir. Tarmoq kerakli yetti bo‘g‘im holati, tezligi va tezlanishi hamda foydalanuvchining bo‘yi va vazni ma’lumotlaridan foydalanib zarur yetti bo‘g‘im momentini bashorat qiladi. DNN chiqishi oldindan oziqlantiruvchi moment sifatida qo‘llanadi, PD boshqaruvchisi esa modellashtirish va bashorat xatolariga qarshi teskari aloqa tuzatishini ta’minlaydi.

Maqoladagi boshqaruv taqqoslashiga ko‘ra, taklif etilgan gibrid DNN–PD usuli ketma-ket hamda bir vaqtdagi bo‘g‘im harakatlarida barcha bo‘g‘imlar uchun 1° dan kichik xato bergan. 6-jadvalda ketma-ket harakatlarda gibrid boshqaruvchining eng katta xatosi to‘rtinchi bo‘g‘imda 0,1115°; 7-jadvalda bir vaqtdagi harakatlarda esa eng katta qiymat birinchi bo‘g‘imda 0,1181° deb berilgan. Shu bilan birga, ayni maqolaning oldingi simulyatsiya bo‘limida taxminan 0,26° gacha yetadigan boshqa maksimal xato qiymatlari ham keltirilganligi sababli, bu ikki natija to‘plami alohida baholanishi kerak.

Turkiya nuqtai nazaridan baholash: Ish yondashuvi Turkiyadagi reabilitatsiya robotlari, taqiladigan robototexnika, mexatronika, sun’iy intellekt yordamidagi harakat boshqaruvi va ko‘p erkinlik darajali robot tizimlari bo‘yicha tadqiqotlar uchun uslubiy qiymatga ega bo‘lishi mumkin. Ayniqsa, fizika asosidagi simulyatsiya ma’lumotlarini chuqur o‘rganish uchun o‘quv ma’lumotiga aylantirish analitik robot modeli bilan ma’lumotlarga asoslangan boshqaruv bir-biriga muqobil emas, balki bir-birini to‘ldiruvchi qismlar sifatida ishlatilishi mumkinligini ko‘rsatadi. Biroq tadqiqot Turkiyadagi hech qanday populyatsiyada o‘tkazilmagan, jismoniy bemor reabilitatsiyasi baholanmagan va real apparat xavfsizligi sinovdan o‘tkazilmagan. Shu sababli natijalardan klinik samaradorlik, bemor ko‘rsatkichi yoki bevosita sog‘liqni saqlash amaliyoti haqida xulosa chiqarib bo‘lmaydi.

Tadqiqot hal qilishga urinayotgan asosiy muammo nima?

Ko‘p erkinlik darajali robotlarda dinamik boshqaruv robot harakati davomida o‘zgaradigan inertsiya, gravitatsiya, Koriolis–markazdan qochma kuchlari va bo‘g‘im ishqalanishi kabi nochiziqli ta’sirlarni hisobga olishni talab qiladi. An’anaviy computed torque kabi modelga asoslangan usullar bu dinamik hadlarni boshqaruv siklida hisoblab, robotni chiziqli va ajratilgan tizimga aylantirishga urinadi.

Erkinlik darajasi oshgani sari bu jarayon murakkablashadi. Ayniqsa, momentga asoslangan boshqaruv yuqori namunalash tezliklarida ishlashi kerak bo‘lganda dinamik modelni baholash va matritsa amallarini har bir siklda takrorlash real vaqt boshqaruvi uchun hisoblash yukini keltirib chiqarishi mumkin.

Tadqiqot taklifi analitik dinamik modeldan butunlay voz kechish emas. Aksincha, analitik model avval katta hajmdagi fizika asosidagi o‘quv ma’lumotlarini yaratish uchun ishlatiladi. Keyin chuqur neyron tarmoq ushbu dinamikaning kirish–chiqish munosabatini o‘rganadi va ish vaqtida zarur momentni parallel hisoblashga qulayroq tarmoq tuzilmasi orqali bashorat qiladi.

Yetti erkinlik darajasi qaysi bo‘g‘imlarni ifodalaydi?

Model inson pastki oyoq-qo‘lidagi yetti harakat tarkibiy qismini ifodalaydi:

1. Son abduksiyasi/adduksiyasi,
2. Son fleksiyasi/ekstensiyasi,
3. Sonning ichki/tashqi rotatsiyasi,
4. Tizza fleksiyasi/ekstensiyasi,
5. Boldirning ichki rotatsiyasi,
6. To‘piq dorsifleksiyasi/plantar fleksiyasi,
7. Oyoq pronatsiyasi/supinatsiyasi.

Koordinata tizimlari o‘zgartirilgan Denavit–Hartenberg yondashuvi bilan aniqlangan va yetti bo‘g‘inning transformatsiya matritsalari ketma-ket birlashtirilib, oxirgi nuqtaning bazaviy koordinata tizimiga nisbatan holati va yo‘nalishi hosil qilingan.

Robot dinamikasi qanday modellashtirilgan?

Harakat tenglamalari Lagranj energiya yondashuvi bilan chiqarilgan. Robot dinamikasining asosiy ifodasi ishda quyidagicha berilgan:

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

Bu yerda \(M(\theta)\) holatga bog‘liq 7 × 7 o‘lchamli musbat aniqlangan massa/inertsiya matritsasini; \(V(\theta,\dot{\theta})\) Koriolis va markazdan qochma hadlarni; \(G(\theta)\) gravitatsiya ta’sirini; \(\tau_{\mathrm{Joint}}\) esa yetti bo‘g‘im uchun zarur moment vektorini ifodalaydi.

Haqiqiy mexanik bo‘g‘imlarda ishqalanish ham mavjud bo‘lgani uchun model keyin:

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

ko‘rinishiga kengaytirilgan.

Ishqalanish modeli Kulon ishqalanishi, qovushqoq ishqalanish va Stribek ta’sirini birgalikda o‘z ichiga oladi. Simulyatsiya misolida cho‘qqi ishqalanish momenti 100 Nm, qovushqoq ishqalanish koeffitsiyenti 5 Nm/(rad/s), uzilish tezligi 0,01 rad/s va Kulon tarkibi cho‘qqi momentining 10%i sifatida ishlatilgan.

Foydalanuvchining bo‘yi va vazni nega boshqaruv modeliga kiritiladi?

Ekzoskelet harakatlantirishi kerak bo‘lgan mexanik tizim faqat robot bo‘g‘inlaridan iborat emas; tadqiqotda inson pastki oyoq-qo‘lining antropometrik xususiyatlari ham dinamik modelning bir qismidir. Tadqiqotchi foydalanuvchining bo‘yi va vaznidan son, boldir va oyoqning taxminiy zichligi, hajmi, massasi, uzunligi, massa markazi va inertsiya xususiyatlarini hisoblaydigan empirik bog‘lanishlarni robot dinamikasiga kiritgan.

Shu tariqa bir xil bo‘g‘im harakati uchun turli bo‘y va vazndagi foydalanuvchilarda kerakli momentning o‘zgarishi o‘quv ma’lumotlariga aks ettiriladi. DNN nafaqat trayektoriyadan, balki foydalanuvchining bo‘yi va vazni kirishlaridan ham foydalanadi.

Computed torque boshqaruvi qanday ishlaydi?

Computed Torque Controller (CTC) robotning teskari dinamik modelidan foydalanadi. Ishda qo‘llanilgan asosiy boshqaruv qonuni quyidagicha:

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

Ushbu tuzilmaning maqsadi robotning nochiziqli dinamikasini kompensatsiya qilib, ortda boshqarish osonroq bo‘lgan chiziqli xato dinamikasini qoldirishdir. Biroq analitik robot dinamikasini har bir namunalash lahzasida hisoblash tadqiqot hal qilmoqchi bo‘lgan hisoblash muammosidir.

Chuqur neyron tarmoqqa qanday ma’lumotlar beriladi?

DNNning har bir o‘quv namunasida jami 23 ta kirish mavjud:

• 7 bo‘g‘im uchun kerakli holat,
• 7 bo‘g‘im uchun kerakli tezlik,
• 7 bo‘g‘im uchun kerakli tezlanish,
• foydalanuvchining bo‘yi,
• foydalanuvchining vazni.

Tarmoq chiqishida esa yetti bo‘g‘imning zarur momentlarini ifodalovchi 7 ta uzluksiz qiymat mavjud.

DNN arxitekturasi qanday tuzilgan?

Maqola yashirin va chiqish qatlamlarida jami 49 ta neyron borligini bildiradi. Tarmoq MATLAB 2025a muhitidagi feedforwardnet tuzilmasi yordamida ishlab chiqilgan, o‘qitishda Levenberg–Marquardt optimallashtirish usuli va xato mezoni sifatida Mean Squared Error (MSE) qo‘llangan.

Tadqiqot tarmoqda og‘irliklar va biaslarni qo‘shganda 224 ta o‘qitiladigan parametr borligini ham bildiradi. Biroq berilgan 23→21→14→7→7 to‘liq bog‘langan arxitektura tavsifi bilan bu son o‘rtasida ochiq hisob nomuvofiqligi mavjud. Manba buni izohlamagani uchun 224 qiymati bu yerda muallif bildirgan raqam sifatida saqlanadi.

43 milliondan ortiq o‘quv namunasi qanday yaratildi?

Tadqiqotchi haqiqiy odamlardan millionlab harakat yozuvlarini yig‘magan. O‘quv ma’lumotlari analitik robot dinamikasi va computed torque simulyatsiyasi yordamida fizika asosida yaratilgan.

Ikki harakat ssenariysi ishlatilgan:

• Ketma-ket harakat: yetti bo‘g‘imning turli vaqtlarda navbatma-navbat harakatlanishi,
• Bir vaqtdagi harakat: barcha bo‘g‘imlarning bir xil harakat ketma-ketligida bir vaqtda faollashishi.

To‘liq bo‘g‘im harakat diapazonlari turli tezlik, foydalanuvchi bo‘yi va vazni kombinatsiyalarida simulyatsiya qilingan; computed torque boshqaruvchisi hosil qilgan yetti bo‘g‘im momenti DNNning maqsad chiqishi sifatida qayd etilgan.

Toplam 43.560.880 ta ma’lumot namunasi yaratildi. Ishda foydalanilgan 32 yadroli Intel Xeon protsessori va 48 GB xotirali server barcha ma’lumotlarni samarali qayta ishlay olmagani sababli ma’lumotlar to‘plami 10 marta siyraklashtirildi va tarmoqni o‘qitish uchun 4.356.088 ta namuna ishlatildi.

O‘quv ma’lumotlarining parametrlari qanday edi?

2-jadvalda bo‘g‘im tezliklari 10–100 deg/s oralig‘ida 10 deg/s qadam bilan berilgan. Foydalanuvchi vaznlari 150–250 lb oralig‘ida 10 lb qadam bilan sanab o‘tilgan.

Bo‘y parametrida esa manba ichida nomuvofiqlik mavjud. 2-jadval 50, 55, 60, 70 va 75 dyuym qiymatlarini beradi, usul sxemasida esa oltita bo‘y kombinatsiyasi ko‘rsatilgan va keyingi bo‘y o‘zgarishi tahlilida 65 dyuym ham mavjud. Xuddi shuningdek, usul sxemasida “vazn ×10” deb yozilgan bo‘lsa-da, 2-jadvalda 150–250 lb oralig‘ida 11 ta vazn qiymati keltirilgan.

O‘qitish, tasdiqlash va test bo‘linishi qanday edi?

Kamaytirilgan ma’lumotlar to‘plamining:

• 70%i o‘qitish,
• 15%i tasdiqlash,
• 15%i test

uchun ajratilgan.

Ishning 11-rasmidagi o‘qitish egri chizig‘ida eng yaxshi tasdiqlash ko‘rsatkichi MSE = 0,33323 va 1394. epoch nuqtasida ko‘rsatilgan.

Gibrid DNN–PD boshqaruvchisi qanday ishlaydi?

O‘qitilgan tarmoq robotni yakka o‘zi teskari aloqasiz boshqarmaydi. DNN zarur bo‘g‘im momentlarini bashorat qiluvchi oldindan oziqlantiruvchi komponentdir. Bashorat xatolari yoki modelda to‘liq aks etmagan dinamikalar esa PD boshqaruv sikli tomonidan tuzatiladi.

Barcha bo‘g‘imlarda:

• K_P = 3000,
• K_V = 250

qiymatlari ishlatilgan.

Ushbu tuzilma analitik inverse-dynamics hisobining o‘rniga DNN moment bashoratini qo‘yarkan, teskari aloqa boshqaruvining xatoni tuzatish va barqarorlik rolini saqlashni maqsad qiladi.

Barqarorlik qanday tahlil qilindi?

Tadqiqotchi oldindan oziqlantiruvchi DNN komponenti yopiq kontur xarakteristik tenglama ildizlarini belgilamasligini, barqarorlik PD teskari aloqa konturi bilan belgilanayotganini ta’kidlaydi.

DNN nochiziqli dinamikalarni yetarlicha kompensatsiya qiladi degan faraz ostida plant:

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

va PD boshqaruvchi:

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

sifatida ko‘rib chiqilgan.

Shunga ko‘ra xarakteristik tenglama:

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

ko‘rinishini oladi. Routh–Hurwitz tahlili orqali musbat \(K_p\) va \(K_d\) qiymatlarida yopiq kontur barqarorligi ko‘rsatilgan.

Simulyatsiyalarda kuzatuv xatolari qanchalik edi?

Ishning dastlabki ishlash tahlilida bir vaqtdagi harakat uchun 1–7-bo‘g‘imlarning maksimal xatolari mos ravishda taxminan 0,26°, 0,20°, 0,20°, 0,26°, −0,14°, −0,21° va 0,19° deb berilgan.

Ketma-ket harakatda esa mos ravishda taxminan −0,22°, −0,26°, −0,18°, 0,25°, −0,15°, −0,19° va −0,17° maksimal xatolar keltirilgan.

Ushbu natijalarda etalon va haqiqiy trayektoriyalar grafiklarda deyarli ustma-ust tushishi xatolar harakat diapazoniga nisbatan kichik bo‘lib qolganini ko‘rsatadi.

DNN zarur momentni haqiqatan o‘rgana oldimi?

Moment grafiklarida dastlabki olti bo‘g‘im uchun DNN bashorat qilgan moment umumiy zarur momentga juda yaqin ekani va PD boshqaruvchisi faqat kichik tuzatishlar kiritgani ko‘rinadi. Eng sezilarli istisno yettinchi bo‘g‘imdir.

Tadqiqotchi yettinchi bo‘g‘imning umumiy moment kattaligi boshqa bo‘g‘imlarnikidan ancha kichik bo‘lishi tarmoqning ushbu bo‘g‘im dinamikasini o‘rganishini qiyinlashtirgan bo‘lishi mumkinligini bildiradi. Ko‘proq neyron yoki qatlam qo‘shishga urinishlar overfitting keltirib chiqargani uchun yakuniy arxitekturaga kiritilmagan.

Foydalanuvchining bo‘yi va vazni o‘zgarganda boshqaruv buzildimi?

Tadqiqotda bir omilli ANOVA yordamida foydalanuvchi vazni va bo‘yidagi o‘zgarishlarning trayektoriya kuzatuv xatosiga ta’siri baholangan. Ahamiyatlilik darajasi 0,005 deb belgilangan.

Yetti bo‘g‘imning barchasida bildirilgan p qiymatlari ushbu chegaradan katta bo‘lgan va tadqiqotchi ko‘rib chiqilgan simulyatsiya oralig‘ida bo‘y hamda vazn o‘zgarishi kuzatuv ko‘rsatkichida statistik jihatdan ahamiyatli o‘zgarish keltirib chiqarmagan degan xulosaga kelgan.

Bu tahlil jismoniy foydalanuvchi tajribasi emas. O‘zgartirilgan antropometrik parametrlarning simulyatsiya modelidagi ta’sirini baholaydi.

Boshqa boshqaruv usullari bilan taqqoslanganda nima bo‘ldi?

Bir xil robot dinamik modeli ustida oltita usul taqqoslangan:

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

Ishdagi 6 va 7-jadvallarga ko‘ra barcha usullarda maksimal kuzatuv xatolari 1° dan past bo‘lgan. Gibrid DNN–PD ko‘plab bo‘g‘imlarda CTC va MRCTCga qaraganda kichikroq xato bergan, Adaptive Controller esa ayrim bo‘g‘imlarda gibrid usuldan ham kichikroq xato ko‘rsatgan. Shu sababli ish “DNN–PD har bir bo‘g‘imda barcha boshqaruvchilardan yaxshiroq” degan xulosani qo‘llab-quvvatlamaydi.

Hisoblash afzalligi qancha?

Maqolaning asosiy da’vosi DNNning parallel tuzilishi CPU/GPU apparatiga mosroq bo‘lishi va to‘liq analitik dinamik modelni har bir boshqaruv siklida baholash zaruratini kamaytirishi mumkinligidir. Biroq tadqiqotda boshqaruv usullarining haqiqiy ishlash vaqtini millisekundlarda solishtiruvchi benchmark, CPU/GPU inference vaqti, namunalash chastotasi yoki o‘lchangan tezlashish koeffitsiyenti keltirilmagan.

Shu sababli ish hisoblash samaradorligi uchun kuchli arxitekturaviy asos va simulyatsiya doirasi taqdim etadi; lekin real vaqt apparatida miqdoriy tezlashish dalilini hali bermaydi. Muallif RT-Linux asosidagi apparat amalga oshirishni kelajakdagi ish sifatida ko‘rsatadi.

Ish nima deydi?

• Analitik robot dinamikasidan katta miqyosli fizika asosidagi DNN o‘quv ma’lumotlarini yaratish mumkin.
• 23 kirishli DNN simulyatsiya muhitida yetti bo‘g‘im uchun zarur momentlarni bashorat qila oladi.
• DNN oldindan oziqlantirish va PD teskari aloqa birgalikda ishlatilganda past trayektoriya kuzatuv xatolari olingan.
• Tarmoq bashorat qilgan momentlar, ayniqsa dastlabki olti bo‘g‘imda, umumiy zarur moment profillariga yaqin bo‘lgan.
• Ko‘rib chiqilgan modelda bo‘y va vazn o‘zgarishlariga nisbatan ANOVA orqali kuzatuv ko‘rsatkichida ahamiyatli o‘zgarish aniqlanmagan.
• Taklif etilgan usulning moment talablari boshqa o‘rnatilgan boshqaruv usullari bilan o‘xshash kattalikdadir.

Ish nima demaydi?

• Jismoniy ekzoskeletda real vaqt qo‘llash muvaffaqiyati ko‘rsatilmagan.
• Inson ishtirokchi yoki bemorda reabilitatsiya tajribasi o‘tkazilmagan.
• Klinik samaradorlik yoki bemor xavfsizligi isbotlanmagan.
• DNNning barcha foydalanuvchi anatomiyalari va harakat buzilishlariga umumlashtirilishi ko‘rsatilmagan.
• Haqiqiy sensor shovqini, aktuator kechikishi va apparat kommunikatsiya kechikishi bo‘yicha keng qamrovli jismoniy sinov o‘tkazilmagan.
• CPU yoki GPUda real inference vaqti va boshqaruv sikli benchmarki keltirilmagan.
• Gibrid DNN–PD boshqaruvchisi barcha taqqoslangan usullardan har qanday sharoitda aniqroq ekani ko‘rsatilmagan.

Tadqiqot usuli va natijalari

Tadqiqotning usul zanjiri

Asosiy ma’lumot va tarmoq xususiyatlari

Boshqaruv usullarining ketma-ket harakatdagi maksimal kuzatuv xatolari

Boshqaruv usullarining bir vaqtdagi harakatdagi maksimal kuzatuv xatolari

Taqqoslashning to‘g‘ri talqini

7-jadvalda gibrid DNN–PD boshqaruvchisi CTC va MRCTCga nisbatan, ayniqsa 3–7-bo‘g‘imlarda pastroq maksimal xato qiymatlarini ko‘rsatadi. SMCning bir vaqtdagi harakat xatolari ko‘p bo‘g‘imlarda sezilarli darajada kattaroq. LQR esa ayrim bo‘g‘imlarda taqqoslashdagi eng katta xato qiymatlarini beradi.

Biroq Adaptive Controller 1, 3, 4, 6 va 7-bo‘g‘imlarda DNN–PDdan kichikroq maksimal xato ko‘rsatadi; 2-bo‘g‘imda ikki usul bir xil 0,0762° qiymatiga ega. Shu sababli tadqiqotning muhim natijasi DNN–PDning barcha muqobillardan mutlaq ustunligi emas, balki analitik dinamik modelni uzluksiz onlayn hisoblashga muqobil sifatida past xato va o‘xshash moment profillarini bera oladigan gibrid tuzilma taklif etilishidir.

Moment profillarini taqqoslash

23–28-rasmlar gibrid DNN–PD, CTC, MRCTC, SMC, Adaptive Controller va LQR uchun yetti bo‘g‘imning ketma-ket va bir vaqtdagi harakatlardagi moment profillarini ko‘rsatadi. Tadqiqotchi usullar orasidagi cho‘qqi momentlar taqqoslanadigan darajada ekanini va asosiy moment tendensiyalari o‘xshash qolganini bildiradi.

Bu natija DNN asosidagi yondashuv past kuzatuv xatosiga erishish uchun boshqa usullardan mutlaqo boshqacha kattalikdagi aktuator momentlarini talab qilmasligini ko‘rsatadi. Biroq maqolada haqiqiy motor toki, batareya sarfi yoki real apparat energiya o‘lchovi bajarilmagan.

Manba ichidagi xato qiymatlari farqi

6-bo‘limda to‘g‘ridan-to‘g‘ri trayektoriya simulyatsiyalaridan keltirilgan maksimal DNN–PD xatolari bir vaqtdagi harakatda taxminan 0,26° gacha, ketma-ket harakatda ham taxminan 0,26° gacha yetadi. Bunga qarshi 8-bo‘limning taqqoslovchi 6 va 7-jadvallarida gibrid boshqaruvchining maksimal qiymatlari mos ravishda 0,1115° va 0,1181°.

Maqola bu ikki xato to‘plami orasidagi farq tajriba sharoiti, gain, ma’lumot tanlovi yoki boshqa simulyatsiya sozlamasidan kelib chiqqanmi, aniq aytmaydi. Shu sababli ikki son guruhi bir-birining o‘rnida ishlatilmasligi kerak.

Asosiy cheklovlar

• Tadqiqot to‘liq modellashtirish va simulyatsiyaga asoslangan.
• Jismoniy ekzoskeletda real vaqt boshqaruvi amalga oshirilmagan.
• Inson ishtirokchi yoki klinik reabilitatsiya ma’lumotlari ishlatilmagan.
• DNN o‘quv ma’lumotlarining barchasi analitik modeldan yaratilgan; haqiqiy sensor va aktuator ma’lumotlari bilan o‘qitilmagan.
• Real vaqt CPU/GPU ishlash vaqti yoki namunalash kechikishi taqqoslanmagan.
• Manbada o‘quv kombinatsiyalaridagi bo‘y va vazn sonlari o‘rtasida nomuvofiqlik bor.
• Manbada DNN uchun bildirilgan 224 ta o‘qitiladigan parametr soni tasvirlangan to‘liq bog‘langan arxitektura bilan ochiq mos kelmaydi.
• Turli bo‘limlarda ayni gibrid boshqaruvchi uchun keltirilgan maksimal kuzatuv xatolari bir-biriga to‘liq mos emas.
• Kelajakda RT-Linux apparat qo‘llanilishi va reinforcement learning bilan onlayn moslashuv rejalashtirilgan.

Manba va usul izohi

Asarning to‘liq original nomi: Development of a Deep Learning-Based Control Framework for Exoskeleton Robots

Muallif: S. K. Hasan.

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

Mas’ul muallif ma’lumoti: Manbada alohida corresponding-author belgisi yo‘q. Yagona muallif S. K. Hasanning institutsional elektron pochta manzili berilgan.

Teng hissa/teng birinchi muallif: Qo‘llanilmaydi; ish bitta muallifga tegishli.

Jurnal: Actuators.

Nashriyot: MDPI, Basel, Switzerland.

Bibliografik ma’lumot: Actuators 2026, 15(5), 274.

DOI:10.3390/act15050274

Nashr sanasi: 2026-yil 16-may. Ish 2026-yil 24-martda qabul qilingan, 26-aprelda qayta ko‘rib chiqilgan va 13-mayda qabul qilingan.

Manba turi va taqriz holati: Actuators jurnalida chop etilgan taqrizdan o‘tgan tadqiqot maqolasidir. Ilmiy usul nuqtai nazaridan asosan dinamik modellashtirish, mashinaviy o‘rganish va boshqaruv simulyatsiyasi ishidir.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqotchi tashqi moliyalashtirish olinmaganini bildirgan.

Etika kengashi: Qo‘llanilmaydi; ish inson ishtirokchisi, inson to‘qimasi, hayvon yoki klinik ma’lumotlarni o‘z ichiga olmaydi.

Xabardor qilingan rozilik: Qo‘llanilmaydi; inson ishtirokchisi yo‘q.

Ma’lumotlarning mavjudligi: Muallif ishning original hissalari maqola ichida ekanini va qo‘shimcha savollar muallifga yo‘naltirilishi mumkinligini bildiradi.

Manfaatlar to‘qnashuvi: Muallif manfaatlar to‘qnashuvi yo‘qligini bildiradi.

Muallif hissalari: Alohida CRediT/muallif hissalari jadvali berilmagan; ish bitta muallifga tegishli.

Ilmiy talqin chegarasi:Tadqiqot yetti erkinlik darajali pastki oyoq ekzoskeletining simulyatsiya modelida chuqur o‘rganishga asoslangan gibrid moment boshqaruvini baholaydi. Jismoniy robot, real vaqt RT-Linux apparati, bemor yoki sog‘lom ko‘ngillida tasdiqlash o‘tkazilmagan. Shu sababli natijalar klinik reabilitatsiya samaradorligi yoki real apparat ishonchliligining isboti emas.

Manba ichidagi nomuvofiqlik izohi: DNN arxitekturasining o‘qitiladigan parametrlar soni, o‘quv ma’lumotlaridagi bo‘y/vazn kombinatsiyalari soni, 16-rasmning harakat turi tavsifi va turli bo‘limlarda berilgan maksimal DNN–PD kuzatuv xatolari o‘rtasida izohlanmagan nomuvofiqliklar mavjud. Bu unsurlar yashirincha tuzatilmagan.

Hisoblash samaradorligi chegarasi: Maqola taklif etilgan arxitektura hisoblash yukini kamaytirishi va CPU/GPU parallelligidan foydalanishi mumkinligini ta’kidlaydi; biroq usullar o‘rtasida o‘lchangan real vaqt execution-time, latency yoki speed-up benchmarkini bermaydi. Apparatda amalga oshirish kelajakdagi ish sifatida ko‘rsatilgan.

Ushbu Verianla mazmunidagi ilmiy natijalar faqat ko‘rib chiqilgan tadqiqotga asoslanadi. Tashqi manba tekshiruvi faqat sarlavha, DOI, jurnal va nashr identifikatsiyasini bibliografik tasdiqlash maqsadida ishlatilgan.