
Assistance personnalisée aux exosquelettes des membres inférieurs par optimisation bayésienne basée sur les préférences
Voici le résumé en français.
Une équipe de recherche présente PbBO (préférence-based Bayesian Optimization), une méthode d'optimisation par préférences pour l'assistance personnalisée d'un exosquelette du membre inférieur, décrite dans un article publié sur arXiv (référence 2608.09015v1). Le système ajuste six paramètres de contrôle en se basant sur les préférences de mouvement de l'utilisateur, et converge vers les réglages préférés avec une précision de validation de 90,7% en seulement 20 itérations, contre un nombre bien plus élevé d'interactions homme-robot nécessaires avec les méthodes existantes. Un contrôleur hiérarchique génère un couple de torsion personnalisé selon les tâches et assure un suivi du couple d'interaction en temps réel. Des expériences sur tapis roulant et en extérieur montrent que les paramètres optimisés réduisent le taux métabolique de 14,5% à 15,4%, la fréquence cardiaque de 6,3% à 7,6%, et l'activation musculaire de 6,7% à 31,5% par rapport à une marche sans assistance.
L'enjeu principal pour l'industrie des exosquelettes est la vitesse de calibration individuelle, un frein connu à l'adoption en contexte professionnel et médical. Les méthodes d'optimisation par préférences existantes exigent de nombreux cycles d'essais en ligne avec l'utilisateur, ce qui génère fatigue et biais dans les résultats obtenus. En réduisant drastiquement le nombre d'itérations nécessaires tout en maintenant une précision élevée, PbBO répond directement à une limite pratique qui freinait le déploiement à grande échelle de dispositifs adaptatifs, que ce soit en réhabilitation, en logistique ou en assistance industrielle au port de charges. Si les résultats se confirment sur des cohortes plus larges, cela pourrait accélérer la personnalisation d'exosquelettes commerciaux sans allonger les phases de calibration en clinique ou sur site industriel.
Le champ des exosquelettes actifs cherche depuis plusieurs années à dépasser les profils de contrôle génériques, peu adaptés à la morphologie et aux préférences individuelles de chaque porteur. Les approches par optimisation bayésienne classique existent déjà dans ce domaine, mais l'apport ici réside dans l'exploitation de la distribution d'échantillonnage des ensembles de candidats pour améliorer l'efficacité par échantillon. L'article ne précise pas d'acteur industriel ni de partenaire de commercialisation associé à ces travaux, qui relèvent à ce stade de la recherche académique publiée en preprint, sans indication de déploiement produit ni de calendrier de transfert vers un dispositif commercial.
Dans nos dossiers




