Attribution-Gated Joint Estimation of Intention and Capability for Assist-as-Needed Upper-Limb Robots
作者: Pengcheng Li, Shuxiang Guo, Hanze Wang, Jun Leng, Bin Wang, Mingchao Ding
分类: cs.RO
发布日期: 2026-10-15
备注: 31 pages, 7 figures
💡 一句话要点
提出基于归因门控的联合估计方法以解决上肢机器人辅助控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 辅助控制 上肢机器人 意图估计 自愿扭矩 归因门控 多模态估计 康复技术
📋 核心要点
- 现有的辅助控制方法难以有效区分意图运动与自愿扭矩能力的变化，导致适应性不足。
- 论文提出了一种基于归因门控的联合估计方法，通过在线估计意图轨迹和有效自愿扭矩能力来改善控制效果。
- 实验结果显示，该方法在九种不同条件下均实现了最低的均方根误差（RMSE），并在疲劳状态下表现出良好的适应性。
📝 摘要（中文）
本研究针对辅助控制（AAN）中意图运动与有效自愿扭矩能力的区分问题，提出了一种双测量多模态的MHE-MPC架构。该架构在线估计意图轨迹和任务依赖的有效自愿扭矩能力，并通过归因门控解决两者之间的模糊性。实验结果表明，该方法在不同负载条件下均能有效适应目标变化，且在疲劳后能力估计下降，辅助增加，验证了其功能可行性。
🔬 方法详解
问题定义：本研究旨在解决辅助控制中意图运动与有效自愿扭矩能力之间的模糊性问题。现有方法在这两者的变化上难以做出准确区分，导致机器人辅助效果不佳。
核心思路：论文提出了一种双测量的多模态MHE-MPC架构，通过归因门控将意图轨迹和自愿扭矩能力的估计分开，从而更准确地适应用户的需求。
技术框架：整体架构包括两个主要模块：意图轨迹估计和有效自愿扭矩能力估计。通过持续的交互反馈，系统能够实时调整机器人辅助策略。
关键创新：最重要的创新在于引入了归因门控机制，将意图变化和能力变化的更新通道明确区分，解决了传统方法中的模糊性问题。
关键设计：在参数设置上，采用了归因门控来处理持续的交互反馈，并通过残差分析来估计自愿扭矩能力，确保了估计的准确性和实时性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，采用归因门控的方法在所有九种条件下均实现了最低的均方根误差（RMSE），为0.017 rad，相较于未使用门控的双重估计方法（0.041 rad）和基于固定参考误差的AAN方法（0.127 rad）有显著提升。此外，疲劳后能力估计的下降与辅助增加的现象进一步验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括康复机器人、助力设备及人机协作系统。通过提高机器人对用户意图和能力变化的适应性，可以显著提升用户体验和功能性，未来可能在医疗和日常生活中发挥重要作用。
📄 摘要（原文）
Assist-as-needed (AAN) control must distinguish between changes in intended motion and changes in effective voluntary torque capability, even though both can produce similar kinematic and interaction responses. A dual-measurand multimodal MHE-MPC architecture is developed as the base framework, in which the intended trajectory and the task-dependent effective voluntary torque capability are estimated online as distinct quantities, and both estimates are used to adapt robotic assistance. Building on this architecture, the ambiguity between the two update channels is formulated as a continuous credit-assignment problem and resolved by an attribution gate. A trajectory-change indicator is obtained from persistent corrective interaction, whereas a capability-change indicator is derived from the residual between normalized muscle activation and dynamics-reconstructed voluntary torque. Nine healthy participants completed factorial target-height-load trials and a pre-post fatigue cup-transport task. Without target-height input, the gated method generated correctly ordered Low-Middle-High references under every load: target changes were preferentially assigned to trajectory adaptation, whereas added load shifted adaptation toward the capability channel. It achieved the lowest RMSE in all nine conditions (0.017 rad versus 0.041 rad for ungated dual estimation and 0.127 rad for fixed-reference error-based AAN). Post-fatigue capability estimates decreased and assistance increased at all heights, supporting functional feasibility.