[논문 리뷰] A Hybrid Model-based and Data-based Approach Developed for a Prosthetic Hand Wrist

Shifa Sulaiman, Francesco Schetter외 2명|arXiv (Cornell University)|2026. 01. 13.

Muscle activation and electromyography studies인용 수 0

한 줄 요약

이 논문은 ANNs(Artificial Neural Network)과 Sliding Mode Controller(SMC)를 결합한 하이브리드 제어기를 제시하여 PRISMA HAND II에 통합된 텐던 구동 소프트 연속 손목의 PCC 모형의 기계적/동적 특성을 시뮬레이션 및 실험으로 검증한다.

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.

연구 동기 및 목표

• 고도화된 보철 손목 제어를 통해 자연스러운 손의 동작을 더 잘 모방하도록 하기 위해 동기부여 및 구현 가능성 제고.
• ANN 기반 굽힘 각도 추정과 SMC 기반 텐던 힘 제어를 결합한 하이브리드 데이터- 및 모델 기반 제어기 개발.
• 연성 연속 손목을 PCC로 모델링하여 유연한 변형을 포착하고 이를 제어를 위한 등가 rigid DH 구성으로 매핑.
• PRISMA HAND II와 통합된 제작된 손목을 대상으로 시뮬레이션 및 실험 테스트를 통해 접근법을 검증하고, 교란 반응을 포함.
• 제안된 제어기를 PID 및 기타 모델 기반 제어기와 비교하여 성능 향상을 입증

제안 방법

• 4-세그먼트 PCC 표현으로 연약 연속 손목을 모델링한다.
• 매핑된 동역학 모델을 형식화: M(θ)ẍ + (C + D)(θ,ẋ)ẋ + G(θ) + K(θ)θ = τ + J^T(θ)F, 이때 τ = J^T(μ)τ_b 및 μ(θ)가 PCC를 강성 DH 유사 구성으로 연결한다.
• DH 기반 매개변수화를 사용하여 등가 강성 RPPR 체인을 얻고; 야코비안과 매핑을 도출하여 매핑된 관성, 코리올리, 중력, 및 강성 항을 얻는다.
• 마지막 디스크의 2D 위치(x_des, y_des)로부터 원하는 굽힘 각도를 예측하기 위해 ANN을 통합하고, 손목을 구동하는 작용 토크 F_t를 결정하는 SMC를 도입하며, 슬라이딩 표면 σ(θ) = P1 e(t) + P2 ż_o 및 tanh 기반 스위칭 항을 포함한다.
• ADAM을 사용하여 3개의 은닉층(200,100,100)으로 1000개의 샘플(학습 750, 테스트 250)으로 ANN을 학습시키고, 활성화 함수들을 비교하여 성능에 따라 시그모이드(sigmoid)를 선택한다.

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

실험 결과

연구 질문

• RQ1 고정된 교란 하에서 텐던 구동 소프트 연속 손목의 정밀도 및 견고성을 향상시킬 수 있는 하이브리드 ANN-SMC 제어기가 있는가?
• RQ2 PCC 기반 모델링이 등가 강성 메커니즘으로 매핑될 때 실시간 제어에서 성능을 어떻게 나타내는가?
• RQ3 ANN-SMC 제어기가 RMSE, 정착 시간, 정상 상태 오차 면에서 전통 제어기(PID, MRAC, GVSC, NC)와 비교하여 어떤 차이가 있는가?
• RQ4 시뮬레이션 및 실험 검증에서 외부 교란이 추적 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 SMC 제어기의 RMSE는 2.7e-4 라디안, 정착 시간은 1.2 s, 정상 상태 오차는 2.31e-4 라디안으로 시뮬레이션에서 나타난다.
• ANN 기반 PID 제어기와 비교할 때, SMC는 더 낮은 RMSE와 정상 상태 오차를 달성하나 정착 시간이 더 길고 허용 가능한 수준이다.
• MRAC, GVSC, NC 제어기와 비교하면 제안된 SMC가 RMSE와 정상 상태 오차 측면에서 더 우수하지만 NC는 더 짧은 정착 시간을 가질 수 있다.
• 제조된 손목에서의 실험적 검증은 스프링 강성 변화로 인해 시뮬레이션보다 오차가 더 크게 나타났으며, 교란 없이 평균 RMSE 약 0.157 라디안, 정착 시간 약 3 s이다.
• 외부 교란(인간에 의한 힘) 하에서 평균 RMSE가 약 0.207 m(방사 방향) 및 약 0.291 m(굴곡)으로 증가하였으며, 약 3 s의 정착 시간을 보이며 여전히 효과적인 제어를 나타낸다.
• 전반적으로, ANN 구성요소는 계산 시간을 줄이고 SMC는 교란에 대한 견고성을 제공하여 주요 지표에서 여러 모델 기반 제어기들을 능가한다.

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