Адаптивный интеллектуальный контроллер для робота реабилитации нижних конечностей с онлайн‑оптимизацией членств на основе QAOA

Помощь в том, чтобы снова ходить

Для людей, восстанавливающихся после инсульта, повреждения спинного мозга или других нарушений движения, приводные ортезы для ног — так называемые роботы реабилитации нижних конечностей — могут стать разницей между сидением и ходьбой. Но заставить эти машины двигаться в унисон с хрупким, меняющимся человеческим телом очень трудно. В этом исследовании предложен новый способ сделать такие роботы умнее и безопаснее, заимствуя идеи из развивающейся квантовой вычислительной области для тонкой настройки реакции робота в режиме реального времени.

Почему управление реабилитационными роботами так сложно

Реабилитационный робот должен направлять бедро, колено и голеностоп пациента через естественные движения при ходьбе, одновременно подстраиваясь под их собственные усилия. Суставы сложным образом влияют друг на друга, состояние пациентов меняется от дня к дню, а внешние толчки или шумы датчиков постоянно нарушают систему. Традиционные регуляторы, такие как простые PID‑схемы, часто испытывают трудности в таких условиях: они требуют большой ручной настройки и могут становиться неустойчивыми или резкими при быстром изменении движения. Нечёткие контроллеры — которые имитируют экспертные правила вроде «если ошибка мала, реагировать мягко» — лучше справляются с неопределённостью, но только если их внутренние параметры, называемые функциями принадлежности, подобраны тщательно. На практике эти настройки обычно выполняют вручную офлайн, что может оставить характеристики далеко от оптимальных.

Сочетание нечётких правил с квантово‑вдохновлённой настройкой

Авторы предлагают гибридный «квантово‑вдохновлённый» контроллер для экзоскелета с тремя суставами. В основе лежит нечёткий контроллер, который принимает информацию о том, насколько каждый сустав отклоняется от желаемого угла и с какой скоростью меняется эта ошибка, а в выходе даёт моторные крутящие моменты, необходимые для управления ногой. Вокруг него работает слой оптимизации, основанный на алгоритме приближённой квантовой оптимизации (QAOA) — методе, изначально разработанном для квантовых компьютеров, но здесь реализованном в классической, имитируемой форме. QAOA рассматривает настройки функций принадлежности как большое пространство поиска и исследует множество комбинаций параллельно, используя абстрактную квантовую модель. Его цель проста: минимизировать интеграл квадрата ошибки, метрику, которая поощряет точное и плавное отслеживание желаемой походки.

Как новый контроллер учится на ходу

Вместо того чтобы фиксировать настройки нечёткой системы раз и навсегда, система обновляет их онлайн, пока робот «идёт» через смоделированные сеансы терапии. Эталонные движения бедра, колена и голеностопа взяты из детализированной мышечно‑скелетной модели человеческой ходьбы, поэтому тестовые сигналы похожи на реальные клинические упражнения. Каждые несколько циклов управления слой QAOA оценивает, насколько хорошо робот следовал этим траекториям, кодирует кандидатные настройки функций принадлежности в двоичной форме и ищет комбинации, уменьшающие ошибку отслеживания. Когда находится более удачный набор, смещаются треугольные функции принадлежности, определяющие, что считается «низкой», «средней» или «высокой» ошибкой, тем самым изменяя силу срабатывания каждого нечёткого правила. Тщательный анализ устойчивости с использованием энергетических методов и теории Ляпунова показывает, что даже при такой непрерывной настройке общая система остаётся математически устойчивой, а её суммарная механическая энергия убывает со временем.

Работа под нагрузкой и в реальных аппаратных петлях

Чтобы проверить, имеют ли эти теоретические преимущества практическое значение, команда сравнила свой контроллер с QAOA‑настройкой и стандартный нечёткий контроллер в множестве тестов. В идеальных условиях новый метод сократил ошибку отслеживания примерно на 96–99%, уменьшил перерегулирование примерно в четыре раза и сократил время установления более чем вдвое для всех трёх суставов. Когда прикладывались внезапные дополнительные крутящие моменты — моделирующие неожиданный толчок пациента или сдвиг веса — с величиной 20% и 40% от нормальной нагрузки сустава, оптимизированный контроллер быстро возвращал ногу в траекторию с гораздо меньшими колебаниями. Он также показал высокую устойчивость к шуму датчиков, удерживая ошибки малыми даже при сильном искажении измерений. Наконец, в тестах «hardware‑in‑the‑loop» с микроконтроллерными платами, подключёнными к детализированной модели робота, авторы продемонстрировали, что подход работает и в условиях реального времени, где присутствуют задержки, квантизация и электронные помехи.

Что это значит для будущих реабилитационных устройств

С точки зрения неспециалиста посыл прост: позволяя контроллеру непрерывно перенастраиваться с помощью квантово‑вдохновлённого поиска, робот может направлять ногу более плавно, тратить меньше энергии и лучше переносить неожиданные события, оставаясь при этом устойчивым. Это может означать более безопасные и комфортные сеансы терапии, движения, ближе к естественной ходьбе, и меньшую нагрузку на заживающие мышцы и суставы. Хотя работа пока находится на стадии моделирования и аппаратных тестов в петле, она указывает путь к роботам реабилитации следующего поколения, которые сочетали бы человекоподобные экспертные правила с мощными инструментами оптимизации, и закладывает основу для испытаний подобных идей на более сложных полнотелых экзоскелетах и, в конце концов, с реальными пациентами.

Цитирование: 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

Ключевые слова: робототехника реабилитации, экзоскелет для нижних конечностей, нечёткоконтроллер, квантово‑вдохновлённая оптимизация, терапия походки