Düşük ekstremite rehabilitasyon robotu için QAOA tabanlı çevrimiçi üyelik optimizasyonu kullanan uyarlanabilir akıllı denetleyici

İnsanların Tekrar Yürümesine Yardım Etmek

İnme, omurilik yaralanması veya diğer hareket bozukluklarından iyileşen kişiler için, güçlendirilmiş bacak korse ve destekleri—alt ekstremite rehabilitasyon robotları olarak bilinen cihazlar—oturmaktan yürümeye geçişte belirleyici olabilir. Ancak bu makineleri hassas ve değişken insan vücuduyla uyumlu hareket ettirmek son derece zordur. Bu çalışma, robotun gerçek zamanlı tepkilerini ince ayarlamak için ortaya çıkan kuantum bilişim fikirlerinden yararlanarak bu tür robotları daha akıllı ve daha güvenli hale getirmenin yeni bir yolunu tanıtıyor.

Rehabilitasyon Robotlarını Kontrol Etmenin Zorluğu

Bir rehabilitasyon robotu, hastanın kalça, diz ve ayak bileğini doğal yürüyüş hareketleri boyunca yönlendirmeli, aynı zamanda hastanın kendi çabalarına da tepki vermelidir. Eklem hareketleri birbirini karmaşık biçimlerde etkiler, hastalar günden güne değişir ve dışarıdan gelen itmeler ya da sensör gürültüsü sisteme sürekli bozulma getirir. Basit PID gibi geleneksel denetleyiciler bu karmaşık ortamda sık sık zorlanır: çok fazla elle ayar gerektirirler ve hareket hızla değiştiğinde kararsız veya sarsıntılı hale gelebilirler. “Hata küçükse nazikçe tepki ver” gibi uzman kuralları taklit eden bulanık mantık denetleyicileri belirsizlikle daha iyi başa çıkar, ancak bunların dahili ayarları—üyelik fonksiyonları—özenle seçildiğinde. Pratikte bu ayarlar genellikle çevrimdışı elle ayarlanır, bu da performansı idealden uzak bırakabilir.

Bulanık Kuralları Kuantum-Esinli Ayarlamayla Harmanlamak

Yazarlar, üç eklemli bir bacak ekzoskeletonu için hibrit bir “kuantum-esinli” denetleyici öneriyor. Temelinde, her eklemin istenen açısından ne kadar uzak olduğunu ve bu hatanın ne kadar hızlı değiştiğini girdiye alan, ardından bacağı yönlendirmek için gereken motor torklarını çıkaran bir bulanık mantık denetleyicisi var. Bunun etrafına, başlangıçta kuantum bilgisayarlar için tasarlanmış ancak burada klasik, simüle edilmiş bir biçimde uygulanan Quantum Approximate Optimization Algorithm (QAOA) tabanlı bir optimizasyon katmanı sarılıyor. QAOA, bulanık üyelik ayarlarını büyük bir arama alanı olarak ele alır ve soyut bir kuantum modeli kullanarak birçok kombinasyonu paralel biçimde keşfeder. Amacı basittir: istenen yürüyüşün hassas ve düzgün takibini ödüllendiren kare hata integrali­ni en aza indirmektir.

Yeni Denetleyicinin Anlık Öğrenme Yöntemi

Bulanık ayarları bir kez sabitlemek yerine, sistem robot “yürürken” bunları çevrimiçi olarak güncelliyor ve simüle edilmiş terapi oturumları boyunca ayarlamalar yapıyor. Referans kalça, diz ve ayak bileği hareketleri insan yürüyüşünün ayrıntılı kas-iskelet modelinden alınarak test sinyallerinin gerçek klinik egzersizlere benzemesi sağlanıyor. Her birkaç kontrol döngüsünde QAOA katmanı robotun bu yolları ne kadar iyi izlediğini değerlendiriyor, aday bulanık ayarları ikili biçimde kodluyor ve izleme hatasını azaltan kombinasyonları arıyor. Daha iyi bir set bulduğunda, “düşük”, “orta” veya “yüksek” hatayı tanımlayan üçgen üyelik fonksiyonlarını kaydırarak hangi bulanık kuralın ne kadar güçlü tetikleneceğini yeniden şekillendiriyor. Enerji yöntemleri ve Lyapunov kuramı kullanılarak yapılan dikkatli kararlılık analizi, bu sürekli ayarlamaya rağmen sistemin matematiksel olarak kararlı kaldığını ve toplam mekanik enerjisinin zamanla sönümlendiğini gösteriyor.

Stres Altında ve Gerçek Donanım Döngülerinde Performans

Bu teorik avantajların pratikte önemli olup olmadığını görmek için ekip, QAOA ile ayarlanmış denetleyiciyi birçok testte standart bir bulanık denetleyiciyle karşılaştırdı. İdeal koşullar altında yeni yöntem izleme hatasını yaklaşık %96–99 oranında azalttı, aşım miktarını yaklaşık dörtte üç oranında düşürdü ve tüm üç eklem için yerleşme süresini yarıdan fazla kısalttı. Normal eklem yükünün %20 ve %40’ında ani ekstra torklar—hastanın beklenmedik itişi veya ağırlık kayması simülasyonu—uygulandığında, optimize edilmiş denetleyici bacağı hızlıca ve çok daha az salınımla yeniden yola soktu. Ayrıca sensör gürültüsüne karşı oldukça toleranslı olduğu kanıtlandı; ölçümler ağır biçimde bozulduğunda bile hataları küçük tuttu. Son olarak, mikrodenetleyici kartlarının ayrıntılı bir robot modeliyle bağlandığı donanım-içinde-döngü testlerinde yazarlar, yaklaşımın gecikme, kuantizasyon ve elektronik dalgalanma gibi gerçek zamanlı koşulları içeren durumlarda da çalıştığını gösterdi.

Bu Çalışmanın Gelecekteki Rehabilitasyon Cihazları İçin Anlamı

Broşür diliyle söylemek gerekirse, mesaj açıktır: denetleyicinin kendisini kuantum-esinli arama ile sürekli yeniden ayarlamasına izin vererek, robot bacağı daha düzgün yönlendirebilir, daha az enerji harcar ve sürprizlere karşı daha dayanıklı olur—bütün bunlar kararlılığı korurken gerçekleşir. Bu, daha güvenli ve konforlu terapi seansları, doğal yürüyüşe daha yakın hissettiren hareketler ve iyileşen kaslar ve eklemler üzerinde daha az yük anlamına gelebilir. Bu çalışma hâlâ simülasyon ve donanım-içinde-döngü aşamasında olsa da, insan benzeri kural sistemlerini güçlü optimizasyon araçlarıyla birleştiren bir sonraki nesil rehabilitasyon robotlarına doğru bir yol öneriyor ve benzer fikirlerin daha karmaşık tam vücut ekzoskeletonlarında ve nihayetinde gerçek hastalarda test edilmesi için zemin hazırlıyor.

Atıf: 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

Anahtar kelimeler: rehabilitasyon robotikleri, alt ekstremite ekzoskeletonu, bulanık kontrol, kuantum-esinli optimizasyon, yürüyüş terapisi