AR3n：一种基于强化学习的机器人康复按需辅助控制器
AR3n: A Reinforcement Learning-based Assist-As-Needed Controller for Robotic Rehabilitation
AI总结：
本文提出基于强化学习的按需辅助控制器AR3n，利用虚拟患者模型实现跨受试者泛化，在机器人辅助手写康复中根据跟踪误差实时调节辅助并最小化辅助量，通过仿真与人体实验验证其有效性。
摘要：
在本文中，我们提出了AR3n（发音为Aaron），这是一种按需辅助（AAN）控制器，利用强化学习在机器人辅助的手写康复任务中提供自适应辅助。与以往的AAN控制器不同，我们的方法不依赖于患者特定的控制器参数或物理模型。我们提出使用虚拟患者模型来使AR3n在多个受试者之间泛化。该系统基于受试者的跟踪误差实时调节机器人辅助，同时最小化机器人辅助量。该控制器通过一组仿真和人体受试者实验进行了实验验证。最后，与传统的基于规则的控制器进行了比较研究，以分析两种控制器辅助机制的差异。
英文摘要：
In this paper, we present AR3n (pronounced as Aaron), an assist-as-needed (AAN) controller that utilizes reinforcement learning to supply adaptive assistance during a robot assisted handwriting rehabilitation task. Unlike previous AAN controllers, our method does not rely on patient specific controller parameters or physical models. We propose the use of a virtual patient model to generalize AR3n across multiple subjects. The system modulates robotic assistance in realtime based on a subject's tracking error, while minimizing the amount of robotic assistance. The controller is experimentally validated through a set of simulations and human subject experiments. Finally, a comparative study with a traditional rule-based controller is conducted to analyze differences in assistance mechanisms of the two controllers.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
