論文の概要: A Reinforcement Learning Based Controller to Minimize Forces on the
Crutches of a Lower-Limb Exoskeleton
- arxiv url: http://arxiv.org/abs/2402.00135v1
- Date: Wed, 31 Jan 2024 19:20:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 17:38:27.745661
- Title: A Reinforcement Learning Based Controller to Minimize Forces on the
Crutches of a Lower-Limb Exoskeleton
- Title（参考訳）: 下肢外骨格の松葉杖力最小化のための強化学習型制御器
- Authors: Aydin Emre Utku, Suzan Ece Ada, Muhammet Hatipoglu, Mustafa Derman,
Emre Ugur and Evren Samur
- Abstract要約: 我々は深層強化学習を用いて、松葉杖のグラウンド反応力(GRF)を最小化する制御器を開発する。
我々は,ヒト外骨格系の前方変位を促進するために報酬関数を定式化する。
我々の学習モデルでは,足の関節角度,速度,GRFに基づいて関節トルクを生成できることを実証的に示す。
- 参考スコア（独自算出の注目度）: 1.4680035572775536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metabolic energy consumption of a powered lower-limb exoskeleton user mainly
comes from the upper body effort since the lower body is considered to be
passive. However, the upper body effort of the users is largely ignored in the
literature when designing motion controllers. In this work, we use deep
reinforcement learning to develop a locomotion controller that minimizes ground
reaction forces (GRF) on crutches. The rationale for minimizing GRF is to
reduce the upper body effort of the user. Accordingly, we design a model and a
learning framework for a human-exoskeleton system with crutches. We formulate a
reward function to encourage the forward displacement of a human-exoskeleton
system while satisfying the predetermined constraints of a physical robot. We
evaluate our new framework using Proximal Policy Optimization, a
state-of-the-art deep reinforcement learning (RL) method, on the MuJoCo physics
simulator with different hyperparameters and network architectures over
multiple trials. We empirically show that our learning model can generate joint
torques based on the joint angle, velocities, and the GRF on the feet and
crutch tips. The resulting exoskeleton model can directly generate joint
torques from states in line with the RL framework. Finally, we empirically show
that policy trained using our method can generate a gait with a 35% reduction
in GRF with respect to the baseline.
- Abstract（参考訳）: 下肢エクソ骨格使用者の代謝エネルギー消費は、下肢が受動的であると考えられるため、主に上肢運動によるものである。
しかし,ユーザの上半身の努力は,モーションコントローラ設計の文献では無視されている。
本研究では,松葉杖の床反力(grf)を最小限に抑えるロコモーションコントローラの開発に,深層強化学習を用いた。
GRFの最小化の根拠は、使用者の上半身の労力を減らすことである。
そこで我々は松葉杖を用いた人体外骨格システムのためのモデルと学習フレームワークを設計する。
我々は,ロボットの所定の制約を満たしつつ,人間の外骨格系の前方変位を促す報酬関数を定式化する。
複数の実験で異なるハイパーパラメータとネットワークアーキテクチャを持つ MuJoCo 物理学シミュレータ上で,最先端の深部強化学習(RL)手法である Proximal Policy Optimization を用いた新しいフレームワークの評価を行った。
我々の学習モデルでは,足の関節角度,速度,GRFに基づいて関節トルクを生成できることを実証的に示す。
結果として生じるエクソスケルトンモデルは、RLフレームワークに従って状態から関節トルクを直接生成することができる。
最後に,本手法を用いてトレーニングしたポリシーは,基準値に対してGRFを35%低減した歩行を生成できることを示す。
関連論文リスト
- Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。
本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。
この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文 参考訳（メタデータ） (2024-01-30T10:48:43Z) - Reaching the Limit in Autonomous Racing: Optimal Control versus
Reinforcement Learning [66.10854214036605]
ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。
本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。
その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
論文 参考訳（メタデータ） (2023-10-17T02:40:27Z) - Advancements in Upper Body Exoskeleton: Implementing Active Gravity
Compensation with a Feedforward Controller [0.0]
上肢外骨格におけるアクティブ重力補償のためのフィードフォワード制御システムを提案する。
このシステムは、Newton-Euler Inverse Dynamicsに基づく解析的制御方程式を用いて、内部モーターセンサからの位置データのみを用いてトルクを計算する。
論文 参考訳（メタデータ） (2023-09-09T06:39:38Z) - Low-Rank Modular Reinforcement Learning via Muscle Synergy [25.120547719120765]
モジュール強化学習(RL)は、アクチュエータごとに学習ポリシーを学習することで、多関節ロボットの制御を分散化する。
ロボット制御におけるDoFの冗長性を利用したSOLAR(Synergy-Oriented LeARning)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-26T16:01:31Z) - Deep Whole-Body Control: Learning a Unified Policy for Manipulation and
Locomotion [25.35885216505385]
装着されたアームは、移動操作タスクへの脚付きロボットの適用性を著しく向上させることができる。
このような手足のマニピュレータのための標準的な階層制御パイプラインは、コントローラを操作と移動のものと分離することである。
我々は、強化学習を用いて、足のマニピュレータの全身制御のための統一的なポリシーを学習する。
論文 参考訳（メタデータ） (2022-10-18T17:59:30Z) - Learning to Estimate External Forces of Human Motion in Video [22.481658922173906]
地上反応力(GRF)は、特定の動きの間、人体によって行使される。
標準的なプラクティスでは、コントロールされた環境で物理的なマーカーと力板をペアリングします。
ビデオからのGRF推論を提案する。
論文 参考訳（メタデータ） (2022-07-12T21:20:47Z) - Adapting Rapid Motor Adaptation for Bipedal Robots [73.5914982741483]
移動制御の急速な適応の最近の進歩を活用し、二足歩行ロボットで作業できるように拡張する。
A-RMAはモデルフリーRLを用いて微調整することで不完全外部推定器の基本方針を適応する。
シミュレーションにおいて,A-RMAはRLベースのベースラインコントローラやモデルベースコントローラよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-05-30T17:59:09Z) - GLiDE: Generalizable Quadrupedal Locomotion in Diverse Environments with
a Centroidal Model [18.66472547798549]
四足歩行のロバスト制御ポリシを生成するために,遠心モデルを用いてモデルフリー強化学習を効果的に利用できることを示す。
本手法は, ステップストーン移動, 2脚のインプレースバランス, バランスビーム移動, sim-to-real移動を, さらなる適応を伴わずに実現可能であることを示す。
論文 参考訳（メタデータ） (2021-04-20T05:55:13Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z) - UniCon: Universal Neural Controller For Physics-based Character Motion [70.45421551688332]
大規模動作データセットから学習することで,異なるスタイルで数千の動作を習得する物理ベースのユニバーサルニューラルコントローラ(UniCon)を提案する。
UniConは、キーボード駆動制御をサポートし、ロコモーションとアクロバティックスキルの大きなプールから引き出されたモーションシーケンスを作成し、ビデオで撮影した人を物理ベースの仮想アバターにテレポートする。
論文 参考訳（メタデータ） (2020-11-30T18:51:16Z) - Learning a Contact-Adaptive Controller for Robust, Efficient Legged
Locomotion [95.1825179206694]
四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。
高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。
確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
論文 参考訳（メタデータ） (2020-09-21T16:49:26Z)
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。