論文の概要: Personalized Rehabilitation Robotics based on Online Learning Control

• arxiv url: http://arxiv.org/abs/2110.00481v1
• Date: Fri, 1 Oct 2021 15:28:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:21:53.674820
• Title: Personalized Rehabilitation Robotics based on Online Learning Control
• Title（参考訳）: オンライン学習制御に基づく個人化リハビリテーションロボティクス
• Authors: Samuel Tesfazgi, Armin Lederer, Johannes F. Kunz, Alejandro J. Ord\'o\~nez-Conejo and Sandra Hirche
• Abstract要約: 本稿では,各ユーザに対して実行時の制御力をパーソナライズ可能な,新しいオンライン学習制御アーキテクチャを提案する。 提案手法を,学習コントローラがパーソナライズされた制御を提供するとともに,安全な相互作用力も得られる実験ユーザスタディで評価した。
• 参考スコア（独自算出の注目度）: 62.6606062732021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of rehabilitation robotics in clinical applications gains increasing importance, due to therapeutic benefits and the ability to alleviate labor-intensive works. However, their practical utility is dependent on the deployment of appropriate control algorithms, which adapt the level of task-assistance according to each individual patient's need. Generally, the required personalization is achieved through manual tuning by clinicians, which is cumbersome and error-prone. In this work we propose a novel online learning control architecture, which is able to personalize the control force at run time to each individual user. To this end, we deploy Gaussian process-based online learning with previously unseen prediction and update rates. Finally, we evaluate our method in an experimental user study, where the learning controller is shown to provide personalized control, while also obtaining safe interaction forces.
• Abstract（参考訳）: 臨床応用におけるリハビリテーションロボティクスの利用は、治療効果と労働集約的な作業を軽減する能力により、重要性が増す。 しかし、それらの実用性は、個々の患者のニーズに応じてタスクアシストのレベルを適応させる適切な制御アルゴリズムの展開に依存する。 一般に、必要なパーソナライゼーションは臨床医による手作業によるチューニングによって達成される。 本研究では,個々のユーザに対して実行時の制御力をパーソナライズ可能な,新しいオンライン学習制御アーキテクチャを提案する。 この目的のために,これまでに見つからなかった予測と更新率でガウス的なプロセスベースのオンライン学習を展開した。 最後に,学習制御器がパーソナライズされた制御を提供しながら,安全な相互作用力を得る実験的なユーザスタディにおいて,本手法の評価を行った。

関連論文リスト

• Learning Hand State Estimation for a Light Exoskeleton [50.05509088121445]
  そこで本研究では,光エクソスケトンを用いた手の状態推定手法を提案する。 本研究は,前腕の筋活動と外骨格の運動から得られる情報を用いて,手指の開度とコンプライアンスレベルを再構築する指導的アプローチを構築する。 我々のアプローチは本物の光のエクソスケルトンで検証されている。
  論文  参考訳（メタデータ） (2024-11-14T09:12:38Z)
• Online Control-Informed Learning [4.907545537403502]
  本稿では,リアルタイムに学習・制御タスクの幅広いクラスを解決するためのオンライン制御情報学習フレームワークを提案する。 任意のロボットを調整可能な最適制御系として考慮し,拡張カルマンフィルタ(EKF)に基づくオンラインパラメータ推定器を提案する。 提案手法は,データ中の雑音を効果的に管理することにより,学習の堅牢性も向上する。
  論文  参考訳（メタデータ） (2024-10-04T21:03:16Z)
• Socially Interactive Agents for Robotic Neurorehabilitation Training: Conceptualization and Proof-of-concept Study [7.365940126473552]
  我々は、神経リハビリテーショントレーニング中にパーソナライズされた院外援助を提供するAIベースのシステムを導入する。 専門職の助けを借りて、想定されたシステムは、個々の患者の独自のリハビリテーション要件を満たすように設計されている。 我々のアプローチは、対話型社会的に認識された仮想エージェントを神経リハビリテーションロボットフレームワークに統合することである。
  論文  参考訳（メタデータ） (2024-06-17T19:07:05Z)
• Design, Development, and Evaluation of an Interactive Personalized Social Robot to Monitor and Coach Post-Stroke Rehabilitation Exercises [68.37238218842089]
  パーソナライズされたリハビリテーションのための対話型ソーシャルロボット運動指導システムを開発した。 このシステムは、ニューラルネットワークモデルとルールベースのモデルを統合し、患者のリハビリテーション運動を自動的に監視し、評価する。 我々のシステムは,新たな参加者に適応し,専門家の合意レベルに匹敵する,エクササイズを評価するための平均パフォーマンス0.81を達成できる。
  論文  参考訳（メタデータ） (2023-05-12T17:37:04Z)
• "No, to the Right" -- Online Language Corrections for Robotic Manipulation via Shared Autonomy [70.45420918526926]
  LILACは、実行中に自然言語の修正をオンラインで実施し、適応するためのフレームワークである。 LILACは人間とロボットを個別にターンテイクする代わりに、人間とロボットの間にエージェンシーを分割する。 提案手法は,タスク完了率が高く,ユーザによって主観的に好まれることを示す。
  論文  参考訳（メタデータ） (2023-01-06T15:03:27Z)
• Automated Fidelity Assessment for Strategy Training in Inpatient Rehabilitation using Natural Language Processing [53.096237570992294]
  戦略トレーニング (Strategy Training) とは、脳卒中後の認知障害患者に障害を減らすためのスキルを教える、リハビリテーションのアプローチである。 標準化された忠実度評価は治療原則の遵守度を測定するために用いられる。 本研究では,ルールベースNLPアルゴリズム,長短項メモリ(LSTM)モデル,および変換器(BERT)モデルからの双方向エンコーダ表現を開発した。
  論文  参考訳（メタデータ） (2022-09-14T15:33:30Z)
• Efficient Personalized Learning for Wearable Health Applications using HyperDimensional Computing [10.89988703152759]
  超次元コンピューティング(HDC)は、リソース制約のあるデバイスによく適合したデバイス上での学習ソリューションを提供する。 我々のシステムは、最先端のDeep Neural Network(DNN)アルゴリズムと比較して、トレーニングのエネルギー効率を最大45.8倍に向上させる。
  論文  参考訳（メタデータ） (2022-08-01T18:49:15Z)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)
• Accelerating Reinforcement Learning for Reaching using Continuous Curriculum Learning [6.703429330486276]
  我々は、強化学習(RL)訓練の加速と、多目標到達タスクの性能向上に重点を置いている。 具体的には、トレーニングプロセス中に要件を徐々に調整する精度ベースの継続的カリキュラム学習(PCCL)手法を提案する。 このアプローチは、シミュレーションと実世界のマルチゴールリーチ実験の両方において、ユニバーサルロボット5eを用いてテストされる。
  論文  参考訳（メタデータ） (2020-02-07T10:08:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。