评审中

基于回放约束仿真的假肢控制器安全个性化

一个回放约束的仿真框架,用于在真实用户测试之前,为主动式膝–踝假肢控制器进行个性化。该流程不再直接在硬件上盲目调参,而是在 MuJoCo 中回放用户记录的髋部运动与地面反作用交互,再搜索能够安全迁移到真实假肢的阻抗策略。

回放约束仿真 MuJoCo 阻抗个性化 Sim-to-Real 迁移 强化学习 主动式假肢
回放约束的仿真–现实阻抗个性化概念图
回放约束仿真在个性化阻抗控制器进入真实假肢之前,先对其进行排名筛选。
问题与贡献

假肢从不独立行走——它与人体紧密耦合,而人的神经肌肉响应难以建模。这项工作不去仿真人体,而是在仿真假肢的同时回放用户真实运动,从而在任何真实用户实验之前,先筛选并排序高维、可能存在风险的阻抗策略。

我的角色

我参与构建了一个回放约束的仿真框架,用于主动式膝–踝假肢控制器的个性化,串联用户记录的步态数据、MuJoCo 假肢动力学与硬件验证。

挑战

全维阻抗个性化涉及膝、踝关节间大量相互耦合的参数,直接在硬件上探索既慢、风险高,又难以规模化。

贡献

一个回放约束的 MuJoCo 仿真框架,在真实用户测试前对个性化的膝–踝阻抗控制器进行排名筛选。

本研究于密歇根大学 LocoLab 开展,导师为 Robert D. Gregg 教授。

工作原理
  1. 1 记录的用户数据 采集用户行走时的髋部运动与地面反作用交互。
  2. 2 回放约束仿真 用记录驱动 MuJoCo 假肢模型,只对设备本身进行仿真。
  3. 3 控制器优化 搜索相位相关的膝–踝阻抗,逼近仿生行为。
  4. 4 硬件验证 将排名靠前的候选在真实假肢上测试。
  5. 5 个性化控制器 可从仿真安全迁移到硬件的个体化控制器。
佐证
仿真排名成功迁移
仿真→现实
奖励提升 42–59%(初步)
对比基线
膝–踝全维个性化
双关节

技术栈

回放约束仿真 MuJoCo 阻抗个性化 Sim-to-Real 迁移 强化学习 人在环控制
更多相关工作
查看全部项目 →