Обратная кинематика в реальном времени двухстепенного реабилитационного экзоскелета верхней конечности

Авторы

DOI:

https://doi.org/10.52889/1684-9280-2026-77-4-jto063

Ключевые слова:

реабилитационная робототехника, экзоскелет верхней конечности, обратная кинематика, нейронная сеть прямого распространения, управление в реальном времени, конфигурация суставов, вспомогательные траектории

Аннотация

Традиционные численные методы решения обратной кинематики реабилитационных экзоскелетов создают высокую вычислительную задержку и испытывают трудности с оптимизацией моментов в высокочастотных контурах управления в реальном времени.

Цель исследования: оценить и протестировать двухшаговой физически обоснованной нейронной сети прямого типа для определения обратной кинематики двухподвижного экзоскелета верхней конечности с одновременным снижением статического момента силы тяжести.

Методы. Для генерации набора данных (99 208 успешных точек рабочей зоны) применен метод оффлайн-оптимизации с множественным запуском; архитектура включает кастомный дифференцируемый физический слой гравитации и обучена на 135 814 параметров с использованием адаптивного оптимизатора.

Результаты. На независимой тестовой выборке (14 882 образца) модель продемонстрировала среднюю пространственную погрешность позиционирования 0,385 см (3,85 мм) при сверхнизкой задержке вывода около 2,0 мс, что обеспечивает стабильную частоту замкнутого контура управления до 500 Гц без использования ресурсоемкого онлайн-квадратичного программирования.

Выводы. Предложенный подход эффективно объединяет высокую точность позиционирования, минимальные нагрузки на приводы и жесткие требования к вычислительной скорости, предлагая надежное алгоритмическое решение для легкой носимой реабилитационной робототехники.

Биографии авторов

  • Бакиров С., Astana IT University

    Научный сотрудник

  • Есиркепов Ш., Astana IT University

    Старший преподаватель

  • Толешев А., Назарбаев Университет

    Научный сотрудник

  • Ожикенова А., Сатпаев университет

    Научный сотрудник

  • Өжикен А., Институт механики и машиноведения имени академика У.А. Джолдасбекова

    Постдокторант

  • Игембай Е., Сатпаев университет

    PhD Student

Библиографические ссылки

1. Feigin, V. L., Abate, M. D., Abate, Y. H., Abdoli, A., Abualhasan, A., Abu-Rmeileh, N. M. E., Abushouk, A. I., Adane, T. D., Adebayo, O. M., Adedeji, I. A., Adeoye, A. M., Adnani, Q. E., Adou, A. K., Adsuar, J. C., Afshin, A., Agarwal, G., Agrawal, S., Ahmad, S., Ahmed, M. B., … &GBD 2021 Stroke Risk Factor Collaborators. (2024). Global, regional, and national burden of stroke and its risk factors, 1990–2021: A systematic analysis for the Global Burden of Disease Study 2021. The Lancet Neurology, 23(10), 973–1003. https://doi.org/10.1016/S1474-4422(24)00369-7

2. Feigin, V. L., Brainin, M., Norrving, B., Martins, S. O., Pandian, J., Lindsay, P., Grupper, M. F., & Rautalin, I. (2025). World Stroke Organization: Global Stroke Fact Sheet 2025. International Journal of Stroke, 20(2), 132–144. https://doi.org/10.1177/17474930241308142

3. Haviland, J., & Corke, P. (2024). Manipulator differential kinematics: Part I: Kinematics, velocity, and applications. IEEE Robotics & Automation Magazine, 31(4), 149–158. https://doi.org/10.1109/MRA.2023.3270228

4. Chiaverini, S., Oriolo, G., & Walker, I. D. (2008). Kinematically redundant manipulators. In B. Siciliano & O. Khatib (Eds.), Springer handbook of robotics (pp. 245–268). Springer. https://doi.org/10.1007/978-3-540-30301-5_12

5. Al Khudir, K., Halvorsen, G., Lanari, L., & De Luca, A. (2019). Stable torque optimization for redundant robots using a short preview. IEEE Robotics and Automation Letters, 4(2), 2046–2053. https://doi.org/10.1109/LRA.2019.2899667

6. Mikołajczyk, K., Szumowski, M., & Woliński, Ł. (2022). Inverse kinematics solution for humanoid robot minimizing gravity-related joint torques. Archive of Mechanical Engineering, 69(3), 393–409. https://doi.org/10.24425/ame.2022.141510

7. Aristidou, A., Lasenby, J., Chrysanthou, Y., & Shamir, A. (2018). Inverse kinematics techniques in computer graphics: A survey. Computer Graphics Forum, 37(6), 35–58. https://doi.org/10.1111/cgf.13310

8. Colan, J., Davila, A., & Hasegawa, Y. (2024). Variable step sizes for iterative Jacobian-based inverse kinematics of robotic manipulators. IEEE Access, 12, 87909–87922. https://doi.org/10.1109/ACCESS.2024.3418576

9. Shi, X., Guo, Y., Chen, X., Chen, Z., & Yang, Z. (2021). Kinematics and singularity analysis of a 7-DOF redundant manipulator. Sensors, 21(21), 7257. https://doi.org/10.3390/s21217257

10. Wang, H., Zhou, Z., Zhong, X., & Chen, Q. (2022). Singular configuration analysis and singularity avoidance with application in an intelligent robotic manipulator. Sensors, 22(3), 1239. https://doi.org/10.3390/s22031239

11. Ames, B., Morgan, J., & Konidaris, G. (2022). IKFlow: Generating diverse inverse kinematics solutions. IEEE Robotics and Automation Letters, 7(3), 7177–7184. https://doi.org/10.1109/LRA.2022.3181374

12. Cagigas-Muñiz, D. (2023). Artificial neural networks for inverse kinematics problem in articulated robots. Engineering Applications of Artificial Intelligence, 126, 107175. https://doi.org/10.1016/j.engappai.2023.107175

13. Bensadoun, R., Gur, S., Blau, N., Shenkar, T., & Wolf, L. (2022). Neural inverse kinematics. arXiv. https://doi.org/10.48550/arXiv.2205.10837

14. She, J., Feng, X., Xu, B., Chen, L., Wang, Y., Liu, N., Zou, W., Ma, G., Yu, B., & Ba, K. (2025). Bionic energy-efficient inverse kinematics method based on neural networks for the legs of hydraulic legged robots. Biomimetics, 10(6), 403. https://doi.org/10.3390/biomimetics10060403

15. Lutter, M., & Peters, J. (2023). Combining physics and deep learning to learn continuous-time dynamics models. The International Journal of Robotics Research, 42(3), 83–107. https://doi.org/10.1177/02783649231169492

16. Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707. https://doi.org/10.1016/j.jcp.2018.10.045

17. Vu, M. N., Beck, F., Schwegel, M., Hartl-Nesic, C., Nguyen, A., & Kugi, A. (2023). Machine learning-based framework for optimally solving the analytical inverse kinematics for redundant manipulators. Mechatronics, 91, 102970. https://doi.org/10.1016/j.mechatronics.2023.102970

18. Hassan, A. A., El-Habrouk, M., & Deghedie, S. (2020). Inverse kinematics of redundant manipulators formulated as quadratic programming optimization problem solved using recurrent neural networks: A review. Robotica, 38(8), 1495–1512. https://doi.org/10.1017/S0263574719001590

19. Zhang, Y., Guo, D., & Ma, S. (2013). Different-level simultaneous minimization of joint-velocity and joint-torque for redundant robot manipulators. Journal of Intelligent & Robotic Systems, 72(3–4), 301–323. https://doi.org/10.1007/s10846-013-9816-8

Загрузки

Опубликован

2026-08-30

Выпуск

Volume 77, Number 4 (2026)

Раздел

Статьи

Лицензия

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Похожие статьи

11-20 из 207

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.