研究者らは、パワード膝-足首義肢のインピーダンスコントローラを個人化するための新しいシミュレーションフレームワークを開発した。このフレームワークは「リプレイ制約シミュレーション」と呼ばれ、MuJoCo物理エンジンに基づき、義肢の膝-足首動力学を再現するとともに、個々の歩行データから記録された股関節運動学とフィードバックベースの地面反力を再生する。このアプローチにより、従来の手法の主なボトルネックであった複雑な人間の神経筋制御メカニズムのモデリングが不要となる。
従来の個人化手法は、時間のかかる人間参加型の探索に依存するか、最適化を低次元の単一関節パラメータ部分空間に制限していた。これに対し、新しいフレームワークは深層強化学習ポリシーを利用し、両関節の位相依存剛性、減衰、平衡角度を同時に個人化し、義肢のオンボードセンサー計測のみから計算される生体模倣ベースの報酬を最大化する。
水平路面を0.8m/sで歩行する3名の大腿切断者を対象とした実験では、フレームワークは強いシミュレーション-ハードウェア予測妥当性を示し、ピアソン相関係数rは0.96から0.997の範囲であった。すべての参加者において、ハードウェア上で最良のパフォーマンスを示したポリシーは、シミュレーションでの上位5つのポリシー内で一貫して予測された。学習されたコントローラは、非個人化ベースラインと比較して生体模倣報酬を42%から59%向上させた。
このフレームワークはパワード義肢のスケーラブルな高次元個人化をサポートし、ニューラルネットワークコントローラなどの高次元コントローラパラメータ化への拡張が可能である。この研究は、義肢ユーザーの歩行の快適性と自然さを改善するための有望な道筋を提供する。