Control-enabled gait training with self-balanced lower-limb exoskeletons - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2023

Control-enabled gait training with self-balanced lower-limb exoskeletons

Algorithmes de contrôle permettant l'entraînement à la marche avec des exosquelettes auto-équilibrés pour les membres inférieurs

Maxime Brunet
  • Fonction : Auteur
  • PersonId : 1315256
  • IdRef : 272597872

Résumé

Self-balanced exoskeletons offer individuals with disabilities recovered ambulation capabilities thanks to their embedded control algorithms which realize autonomous and stable walking. This thesis is concerned with enabling patients to use these systems for rehabilitation purposes according to the concept of active gait rehabilitation. In our interpretation, this concept entails giving back some freedom of motion to the patients. This objective is conflicting with ensuring safety, which implies taking control over the motion. The main topic addressed in the thesis is the challenge of reconciling these two objectives. Our solution is twofold: empower the patient and monitor stability. Firstly, we introduce a split in the control architecture, allowing patients to actively participate in the swing leg motion. Concurrently, the control algorithm of the support leg regulates the unilateral contact forces. Secondly, we solve optimal control problems in free final time on a reduced model to generate stabilizable trajectories. The duration of these trajectories serves as a determinant for when the control system should take back control over the execution of the walking pattern. The manuscript presents the necessary control architecture updates along with the development of the safety management algorithm. Experimental results are provided to assess the effectiveness of our approach in both flat-foot and foot-rolling walking exercises.
Les exosquelettes auto-équilibrés offrent aux personnes handicapées des capacités d'ambulation retrouvées grâce à leurs algorithmes de contrôle intégrés qui permettent une marche autonome et stable. Cette thèse vise à permettre aux patients d'utiliser ces systèmes à des fins de rééducation selon le concept de rééducation active de la marche. Selon notre interprétation, ce concept implique de redonner une certaine liberté de mouvement aux patients. Cet objectif est en conflit avec la garantie de la sécurité, qui implique de prendre le contrôle du mouvement. Le principal sujet abordé dans cette thèse est le défi que représente la conciliation de ces deux objectifs. Notre solution est double : donner du pouvoir au patient et contrôler la stabilité. Tout d'abord, nous introduisons une division dans l'architecture de contrôle, permettant aux patients de participer activement au mouvement de la jambe pivotante et de participer activement au mouvement de la jambe pivotante. Parallèlement, l'algorithme de contrôle de la jambe de support régule les forces de contact. Deuxièmement, nous résolvons des problèmes de contrôle optimal en temps final libre sur un modèle réduit afin de générer des trajectoires stabilisables. La durée de ces trajectoires sert à déterminer le moment où le système de contrôle doit reprendre le contrôle de l'exécution du modèle de marche. Le manuscrit présente les mises à jour nécessaires de l'architecture de contrôle ainsi que le développement de l'algorithme de gestion de la sécurité. Des résultats expérimentaux sont fournis pour évaluer l'efficacité de notre approche dans les exercices de marche avec une trajectoire avec et sans déroulé du pied.
Fichier principal
Vignette du fichier
2023UPSLM027_archivage.pdf (16.36 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04304034 , version 1 (24-11-2023)

Identifiants

  • HAL Id : tel-04304034 , version 1

Citer

Maxime Brunet. Control-enabled gait training with self-balanced lower-limb exoskeletons. Automatic. Université Paris sciences et lettres, 2023. English. ⟨NNT : 2023UPSLM027⟩. ⟨tel-04304034⟩
80 Consultations
15 Téléchargements

Partager

Gmail Facebook X LinkedIn More