AR3n : A Reinforcement Learning-based Assist-As-Needed Controller for Robotic Rehabilitation
- May 1, 2020
- 1 min read
In this project, we present AR3n (pronounced as Aaron), an assist-as-needed (AAN) controller that utilizes reinforcement learning to supply adaptive assistance during a robot assisted handwriting rehabilitation task. AR3n uses a soft actor-critic algorithm to derive a model-free controller for upper limb stroke rehabilitation. Unlike previous AAN controllers, our method does not require manual-tuning of controller parameters or the need for patient specific physical models. We propose the use of a virtual patient model to generalize AR3n across multiple subjects. The system modulates robotic impedance based on a subject's tracking error, while minimizing the amount of robotic assistance. It delivers stable realtime assistance and prevents over-reliance on robotic assistance. The controller is experimentally validated through a set of simulations and human subject experiments. We compare our system to traditional rule-based controllers and a Learning-from-Demonstration controller. Finally, we demonstrate the efficacy and superiority of AR3n over rule-based controllers through a human subject study.
J’ai déjà eu l’occasion de consulter différents sites immobiliers, surtout lorsque je réfléchissais à un éventuel investissement, et j’ai souvent été frustré par le manque de détails pertinents. En explorant une page pour decouvrir nos biens, j’ai eu l’impression d’avoir une vision plus structurée des possibilités, ce qui m’a permis de mieux évaluer ce qui correspondait réellement à mes critères. Ce que j’ai apprécié, c’est cette sensation de pouvoir avancer à mon rythme sans être noyé sous des informations inutiles. Cela change des plateformes où l’on passe plus de temps à trier qu’à vraiment analyser.