Résumé Visant à relever les défis de planification de la marche des exosquelettes de réhabilitation des membres inférieurs pour s'adapter aux caractéristiques de marche spécifiques à l'utilisateur, cette étude propose un cadre de planification de la marche adaptatif basé sur un algorithme amélioré de gradient de politique déterministe profond (DDPG). Nous intégrons un mécanisme d'auto-attention dans le réseau DDPG, optimisons les paramètres d'attention via le SGD à refroidissement cosinique, et adoptons l'optimisation bayésienne pour ajuster les hyperparamètres de manière adaptative. Les résultats de simulation et expérimentaux montrent que l'algorithme proposé surpasse le DDPG traditionnel dans la génération de trajectoires de marche, la précision de suivi et la stabilité sous des paramètres de marche variables et une interaction homme-robot instable. Cette méthode améliore la capacité de planification adaptative des exosquelettes et fournit un schéma faisable pour un entraînement de réhabilitation personnalisé des membres inférieurs.
Zhang et al. (Mon,) ont étudié cette question.