[論文レビュー] A Hybrid Model-based and Data-based Approach Developed for a Prosthetic Hand Wrist

Shifa Sulaiman, Francesco Schetter+2 more|arXiv (Cornell University)|Jan 13, 2026

Muscle activation and electromyography studies被引用数 0

ひとこと要約

この論文は、Artificial Neural Network (ANN) と Sliding Mode Controller (SMC) を組み合わせたハイブリッド制御器を提案し、Piece-wise Constant Curvature (PCC) モデルを用いて PRISMA HAND II に統合された腱駆動型ソフト連続性手首を制御し、シミュレーションと実験で検証する。

ABSTRACT

The incorporation of advanced control algorithms into prosthetic hands significantly enhances their ability to replicate the intricate motions of a human hand. This work introduces a model-based controller that combines an Artificial Neural Network (ANN) approach with a Sliding Mode Controller (SMC) designed for a tendon-driven soft continuum wrist integrated into a prosthetic hand known as "PRISMA HAND II". Our research focuses on developing a controller that provides a fast dynamic response with reduced computational effort during wrist motions. The proposed controller consists of an ANN for computing bending angles together with an SMC to regulate tendon forces. Kinematic and dynamic models of the wrist are formulated using the Piece-wise Constant Curvature (PCC) hypothesis. The performance of the proposed controller is compared with other control strategies developed for the same wrist. Simulation studies and experimental validations of the fabricated wrist using the controller are included in the paper.

研究の動機と目的

• より自然な手の動作を模倣できる義手の手首の高度な制御を動機付け、実現する。
• ANNベースの曲げ角推定とSMCベースの腱力制御を組み合わせたハイブリッドデータ・モデル併用型制御器を開発する。
• PCCを用いてソフト連続性手首をモデル化し、柔軟なひずみを捉え、制御のために等価な剛体 DH 構成へ写像する。
• PRISMA HAND IIと統合された製作済み手首でのシミュレーションと実験試験を通じてアプローチを検証し、撹乱耐性を含む。
• 提案する制御器をPIDや他のモデルベース制御器と比較し、性能向上を示す。

提案手法

• 4節点PCC表現によるソフト連続性手首のモデリング。
• 写像された動力学モデルを定式化：M(θ)ẍ + (C + D)(θ,ẋ)ẋ + G(θ) + K(θ)θ = τ + J^T(θ)F, ただし τ = J^T(μ)τ_b、μ(θ) が PCC と剛体 DH様の構成を結ぶ。
• DHベースのパラメトリゼーションを用いて等価な剛体 RPPR チェーンを得、ヤコビ行列と写像を導出して慣性、コリオリ、重力、剛性項を写像化する。
• ANN を統合して最後のディスクの2D位置 (x_des, y_des) から所望の曲げ角を予測し、SMC で手首を駆動する作用力 F_t を決定する。滑動面 σ(θ) = P1 e(t) + P2 ż_o 、および tanh ベースのスイッチング項を用いる。
• ADAM を用いて 3 隠れ層 (200,100,100) で 1000 サンプル（訓練 750、テスト 250）を用いて ANN を訓練し、活性化関数を比較して性能に基づきシグモイドを採用する。

Figure 1: Wrist section (a) Conceptual model (b) Fabricated model

実験結果

リサーチクエスチョン

• RQ1 ノン対応の外乱下で腱駆動型ソフト連続性手首の精度と頑健性を向上させるハイブリッド ANN-SMC 制御器は有効か。
• RQ2 等価な剛体機構へ写像した場合、PCC ベースのモデリングはリアルタイム制御にどの程度適しているか。
• RQ3 ANN-SMC 制御器は従来の制御器（PID、MRAC、GVSC、NC）と比べて RMSE、定常到達時間、定常状態誤差でどうなるか。
• RQ4 外部撹乱がシミュレーションおよび実験検証の追従性能に与える影響は何か。

主な発見

• 提案された SM C 制御器の RMSE は 2.7e-4 ラジアン、到達時間は 1.2 s、定常状態誤差は 2.31e-4 ラジアン。
• ANN ベースの PID 制御器と比較して、SMCは RMSE と定常状態誤差が小さく、到達時間は長くなるが許容範囲。
• MRAC、GVSC、NC 制御器と比較して、提案する SM C は RMSE と定常状態誤差が優れるが、NC は到達時間が短くなる場合がある。
• 製作済みの手首での実験検証は、スプリング剛性のばらつきによりシミュレーションより誤差が大きく、外乱なしでの平均 RMSE は約 0.157 ラジアン、到達時間は約 3 s。
• 外部撹乱（人間の力の作用）の下では平均 RMSE が約 0.207 m（半径方向）および約 0.291 m（屈曲）に増加し、約 3 s の到達時間。
• 総じて、ANN コンポーネントは計算時間を削減し、SMC は撹乱に対する頑健性を提供し、いくつかのモデルベース制御器よりも主要指標で優れている。

Figure 2: Configuration (a) Transformations (b) Single segment (c) RPPR