一种用于个性化动力膝踝假肢控制器的重放约束仿真框架
本文提出了一种重放约束仿真框架，通过MuJoCo模拟器重现假肢动力学，并利用个体步行数据中的髋部运动学和地面反作用力，无需复杂的人体神经肌肉模型。深度强化学习策略同时个性化两个关节的相依赖性刚度、阻尼和平衡角，以最大化仿生学奖励。三名经股截肢者的实验表明，模拟到硬件的预测有效性很高（皮尔逊r=0.96-0.997），学习到的控制器将仿生学奖励提高了42-59%。该框架支持可扩展的高维个性化，并可用于神经网络控制器。
研究人员开发了一种名为“重放约束仿真”的新型框架，旨在个性化动力膝踝假肢的阻抗控制器，从而更好地适应个体步态生物力学。该框架基于MuJoCo物理引擎，能够精确重现假肢的膝踝动力学，同时从个体步行数据中回放记录的髋部运动学和基于反馈的地面反作用力。这一方法巧妙地绕过了对复杂人类神经肌肉控制机制进行建模的需求，而这正是传统方法的主要瓶颈。
传统个性化方法要么依赖耗时的人类在环探索，要么将优化限制在低维、单关节的参数子空间。相比之下，新框架利用深度强化学习策略，同时个性化两个关节的相依赖性刚度、阻尼和平衡角，以最大化基于仿生学的奖励函数。该奖励仅使用假肢上的传感器测量值计算，无需任何外部设备。
在水平地面以0.8米/秒行走的三名经股截肢者参与者的实验中，该框架表现出强大的模拟到硬件预测有效性，皮尔逊相关系数r在0.96到0.997之间。对于所有参与者，硬件上表现最佳的策略始终在模拟中排名前五。与未个性化的基线相比，学习到的控制器将整体仿生学奖励提高了42%到59%。
该框架不仅支持动力假肢的可扩展高维个性化，还可以扩展到更高维度的控制器参数化，例如神经网络控制器。这项研究为改善假肢用户的步态舒适性和自然性提供了有前景的途径，有望在未来实现更广泛的应用。