Adaptiver intelligenter Regler für einen Rehabilitationsroboter für die unteren Gliedmaßen unter Verwendung QAOA-basierter Online-Mitgliedschaftsoptimierung

Menschen wieder beim Gehen helfen

Für Menschen, die sich von Schlaganfällen, Rückenmarksverletzungen oder anderen Bewegungsstörungen erholen, können angetriebene Beinschienen – sogenannte Rehabilitationsroboter für die unteren Gliedmaßen – den Unterschied zwischen Sitzen und Gehen ausmachen. Doch diese Maschinen synchron mit einem fragilen, sich verändernden menschlichen Körper bewegen zu lassen, ist sehr schwierig. Diese Studie stellt einen neuen Ansatz vor, um solche Roboter intelligenter und sicherer zu machen, indem Ideen aus aufkommenden Quantenrechnern übernommen werden, um in Echtzeit feinzutunen, wie der Roboter reagiert.

Warum die Steuerung von Reha-Robotern so schwer ist

Ein Rehabilitationsroboter muss Hüfte, Knie und Fußgelenk eines Patienten durch natürliche Gehbewegungen führen und gleichzeitig deren eigene Bemühungen zulassen. Die Gelenke beeinflussen sich wechselseitig auf komplexe Weise, Patienten unterscheiden sich von Tag zu Tag, und äußere Stöße oder Sensorrauschen stören das System ständig. Traditionelle Regler, etwa einfache PID-Schemata, haben in diesem unordentlichen Umfeld oft Schwierigkeiten: Sie benötigen viel manuelles Abstimmen und können instabil oder ruckartig werden, wenn sich die Bewegung schnell ändert. Fuzzy-Logik-Regler – die Expertenregeln wie „wenn der Fehler klein ist, reagiere sanft“ nachahmen – gehen besser mit Unsicherheit um, aber nur, wenn ihre internen Einstellungen, die sogenannten Mitgliedsfunktionen, sorgfältig gewählt sind. In der Praxis werden diese Einstellungen meist offline per Hand abgestimmt, wodurch die Leistung oft weit vom Optimum entfernt bleibt.

Fuzzy-Regeln mit quantum-inspirierter Abstimmung verbinden

Die Autoren schlagen einen hybriden „quantum-inspirierten" Regler für ein dreigelenkiges Beinexoskelett vor. Im Kern steht ein Fuzzy-Logik-Regler, der erfasst, wie weit jedes Gelenk vom gewünschten Winkel entfernt ist und wie schnell sich dieser Fehler ändert, und dann die notwendigen Motormomente ausgibt, um das Bein zu führen. Darum legen sie eine Optimierungsschicht, die auf dem Quantum Approximate Optimization Algorithm (QAOA) basiert – einem Verfahren, das ursprünglich für Quantencomputer entwickelt wurde, hier jedoch klassisch simuliert implementiert ist. QAOA behandelt die Fuzzy-Mitgliedschaftseinstellungen als großen Suchraum und erkundet viele Kombinationen parallel mithilfe eines abstrakten Quantenmodells. Sein Ziel ist einfach: das Integral des quadrierten Fehlers zu minimieren, ein Maß, das präzises, ruhiges Nachführen des gewünschten Gangs belohnt.

Wie der neue Regler in Echtzeit dazulernt

Anstatt die Fuzzy-Einstellungen einmal festzulegen, aktualisiert das System sie online, während der Roboter durch simulierte Therapiesitzungen „geht“. Referenzbewegungen für Hüfte, Knie und Fußgelenk stammen aus einem detaillierten muskuloskelettalen Modell des menschlichen Gehens, sodass die Testsignale realen klinischen Übungen ähneln. Alle paar Regelzyklen bewertet die QAOA-Schicht, wie gut der Roboter diesen Bahnen gefolgt ist, kodiert Kandidaten für die Fuzzy-Einstellungen in Binärform und sucht nach Kombinationen, die den Regelabweichungsfehler verringern. Findet sie ein besseres Set, verschiebt sie die dreieckigen Mitgliedsfunktionen, die definieren, was als „klein“, „mittel“ oder „groß“ gilt, und verändert so die Stärke, mit der jede Fuzzy-Regel ausgelöst wird. Sorgfältige Stabilitätsanalysen mithilfe von Energiemethoden und Lyapunov-Theorie zeigen, dass das Gesamtsystem trotz dieser fortlaufenden Anpassung mathematisch stabil bleibt und seine gesamte mechanische Energie im Laufe der Zeit abklingt.

Leistung unter Belastung und in Hardware-in-the-Loop-Schleifen

Um zu prüfen, ob diese theoretischen Vorteile praktisch relevant sind, verglich das Team ihren QAOA-abgestimmten Regler mit einem Standard-Fuzzy-Regler in vielen Tests. Unter idealen Bedingungen verringerte die neue Methode den Tracking-Fehler um etwa 96–99 %, reduzierte Überschwinger um ungefähr drei Viertel und verkürzte die Einschwingzeit für alle drei Gelenke um mehr als die Hälfte. Als plötzliche zusätzliche Momente – die einen unerwarteten Stoß oder Gewichtsverlagerung des Patienten simulieren – mit 20 % und 40 % der normalen Gelenkbelastung appliziert wurden, brachte der optimierte Regler das Bein schnell und mit deutlich weniger Schwingungen wieder auf Kurs. Er zeigte sich zudem bemerkenswert tolerant gegenüber Sensorrauschen und hielt die Fehler gering, selbst wenn Messwerte stark verfälscht waren. Schließlich zeigten Hardware-in-the-Loop-Tests mit Mikrocontroller-Boards, die an ein detailliertes Robotermodell angeschlossen waren, dass der Ansatz auch unter Echtzeitbedingungen mit Verzögerungen, Quantisierung und elektrischem Rauschen funktionierte.

Was das für künftige Reha-Geräte bedeutet

Aus laienhafter Perspektive ist die Botschaft klar: Indem der Regler sich kontinuierlich selbst mithilfe quantum-inspirierter Suche nachstellt, kann der Roboter das Bein geschmeidiger führen, Energie sparen und besser mit Überraschungen umgehen, und das alles bei erhaltener Stabilität. Das könnte sich in sichereren, komfortableren Therapiesitzungen niederschlagen, mit Bewegungen, die natürlichem Gehen näherkommen und die heilenden Muskeln und Gelenke weniger belasten. Zwar befindet sich diese Arbeit noch in den Simulations- und Hardware-in-the-Loop-Phasen, doch sie weist einen Weg zu Rehabilitationsrobotern der nächsten Generation, die menschenähnliche Regelwerke mit leistungsfähigen Optimierungswerkzeugen kombinieren, und bereitet den Boden für Tests ähnlicher Ideen in komplexeren Ganzkörper-Exoskeletten und schließlich mit echten Patienten.

Zitation: Abd-Elhaleem, S., El-Garawany, A.H. & El-Brawany, M. Adaptive intelligent controller for a lower limb rehabilitation robot using QAOA-based online membership optimization. Sci Rep 16, 10400 (2026). https://doi.org/10.1038/s41598-026-41647-4

Schlüsselwörter: Rehabilitationsrobotik, Exoskelett für die unteren Gliedmaßen, Fuzzy-Regelung, quantum-inspirierte Optimierung, Gangtherapie