Adaptacyjny inteligentny regulator dla robota rehabilitacyjnego kończyny dolnej wykorzystujący optymalizację przynależności online opartą na QAOA

Pomoc w odzyskaniu umiejętności chodzenia

Dla osób rekonwertujących się po udarze, urazie rdzenia kręgowego lub z innymi zaburzeniami ruchu, napędzane ortezy nóg — znane jako roboty rehabilitacyjne kończyn dolnych — mogą przesądzić o różnicy między siedzeniem a chodzeniem. Jednak sprawienie, by te urządzenia poruszały się w synchronizacji z delikatnym, zmieniającym się ciałem człowieka, jest bardzo trudne. W tym badaniu wprowadzono nowy sposób, by uczynić takie roboty mądrzejszymi i bezpieczniejszymi, zapożyczając pomysły z rozwijającej się dziedziny obliczeń kwantowych do dostrajania reakcji robota w czasie rzeczywistym.

Dlaczego sterowanie robotami rehabilitacyjnymi jest takie trudne

Robot rehabilitacyjny musi prowadzić biodro, kolano i staw skokowy pacjenta przez naturalne wzorce chodu, jednocześnie ustępując jego własnym wysiłkom. Stawy wzajemnie na siebie wpływają w złożony sposób, stan pacjenta różni się z dnia na dzień, a zewnętrzne pchnięcia lub szum sensora stale zaburzają układ. Tradycyjne regulatory, takie jak proste układy PID, często mają problemy w takim chaotycznym środowisku: wymagają dużej ręcznej regulacji i mogą stać się niestabilne lub szarpane, gdy ruch szybko się zmienia. Regulatory logiki rozmytej — które naśladują reguły ekspertów, np. „jeśli błąd jest mały, reaguj łagodnie” — radzą sobie lepiej z niepewnością, ale tylko wtedy, gdy ich wewnętrzne ustawienia, zwane funkcjami przynależności, są starannie dobrane. W praktyce te ustawienia zwykle są strojonе ręcznie offline, co może pozostawiać wydajność daleką od optymalnej.

Łączenie reguł rozmytych z optymalizacją inspirowaną kwantowo

Autorzy proponują hybrydowy regulator „inspirowany kwantowo” dla egzoszkieletu nogi z trzema stawami. Jądrem jest regulator logiki rozmytej, który przyjmuje informację o tym, jak bardzo każdy staw odbiega od żądanego kąta i jak szybko zmienia się ten błąd, a następnie generuje momenty silników potrzebne do prowadzenia nogi. Wokół tego umieszczono warstwę optymalizacyjną opartą na Quantum Approximate Optimization Algorithm (QAOA), metodzie pierwotnie zaprojektowanej dla komputerów kwantowych, tutaj zaimplementowanej w formie klasycznej, symulowanej. QAOA traktuje ustawienia funkcji przynależności jako dużą przestrzeń poszukiwań i bada wiele kombinacji równolegle, używając abstrakcyjnego modelu kwantowego. Jego cel jest prosty: minimalizować całkę z kwadratu błędu, miarę nagradzającą precyzyjne, płynne śledzenie żądanego wzorca chodu.

Jak nowy regulator uczy się w locie

Zamiast ustalać ustawienia rozmyte raz na zawsze, system aktualizuje je online w trakcie gdy robot „chodzi” przez symulowane sesje terapii. Referencyjne ruchy biodra, kolana i stopy pochodzą z szczegółowego modelu mięśniowo‑szkieletowego chodu ludzkiego, więc sygnały testowe przypominają rzeczywiste ćwiczenia kliniczne. Co kilka cykli sterowania warstwa QAOA ocenia, jak dobrze robot podążał za tymi ścieżkami, koduje kandydackie ustawienia rozmyte w formie binarnej i poszukuje kombinacji zmniejszających błąd śledzenia. Gdy znajdzie lepszy zestaw, przesuwa trójkątne funkcje przynależności definiujące, co liczy się jako „niski”, „średni” lub „wysoki” błąd, zmieniając tym samym siłę aktywacji poszczególnych reguł rozmytych. Staranna analiza stabilności za pomocą metod energii i teorii Lyapunova pokazuje, że nawet przy tej ciągłej adaptacji system pozostaje matematycznie stabilny, a jego całkowita energia mechaniczna zanika w czasie.

Wydajność w warunkach obciążenia i w pętlach sprzętowych

Aby sprawdzić, czy te teoretyczne korzyści mają znaczenie w praktyce, zespół porównał swój regulator dostrajany przez QAOA ze standardowym regulatorem rozmytym w wielu testach. W idealnych warunkach nowa metoda zredukowała błąd śledzenia o około 96–99%, zmniejszyła przeregulowanie o około trzy czwarte i skróciła czas ustalania o więcej niż połowę dla wszystkich trzech stawów. Gdy zastosowano nagłe dodatkowe momenty — symulujące niespodziewane pchnięcie pacjenta lub przesunięcie ciężaru — o wartości 20% i 40% normalnego obciążenia stawu, regulator zoptymalizowany szybko przywracał nogę na właściwą trajektorię i robił to z dużo mniejszymi oscylacjami. Okazał się także wyjątkowo tolerancyjny na szum sensorów, utrzymując małe błędy nawet przy silnie zniekształconych pomiarach. Wreszcie, przy użyciu testów hardware‑in‑the‑loop z płytkami mikrokontrolerów podłączonymi do szczegółowego modelu robota, autorzy wykazali, że podejście działa również w warunkach czasu rzeczywistego, które obejmują opóźnienia, kwantyzację i tętnienie elektryczne.

Co to oznacza dla przyszłych urządzeń rehabilitacyjnych

Z perspektywy laika przekaz jest prosty: pozwalając regulatorowi nieustannie się przestroić przy użyciu poszukiwań inspirowanych kwantowo, robot może prowadzić nogę płynniej, zużywać mniej energii i lepiej znosić niespodzianki, zachowując przy tym stabilność. Może to przełożyć się na bezpieczniejsze, bardziej komfortowe sesje terapii, z ruchami bliższymi naturalnemu chodowi i mniejszym obciążeniem dla rekonwalescentów. Choć prace te znajdują się nadal na etapie symulacji i testów hardware‑in‑the‑loop, wskazują drogę ku robotom rehabilitacyjnym następnej generacji, łączącym systemy reguł przypominające ludzkie z potężnymi narzędziami optymalizacyjnymi, i torują drogę do testów podobnych koncepcji w bardziej złożonych egzoszkieletach całego ciała, a w końcu z rzeczywistymi pacjentami.

Cytowanie: 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

Słowa kluczowe: robotyka rehabilitacyjna, egzoszkielet kończyny dolnej, sterowanie rozmyte, optymalizacja inspirowana kwantowo, terapia chodu