Nová softwarová aplikace vyvinutá pro zlepšení robotických protéz

Výzkumníci z North Carolina State University vyvinuli novou softwarovou aplikaci, která má zlepšit robotické protézy nebo exoskelety. Nová aplikace může být integrována s existujícím hardwarem, což vede k bezpečnějšímu a přirozenějšímu chůzi na různých typech terénu.

Článek nese název “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” a byl publikován v IEEE Transactions on Automation Science and Engineering.

Přizpůsobení se různým typům terénu

Edgar Lobaton je spoluautorem článku. Je asociálním profesorem elektrotechniky a počítačového inženýrství na univerzitě.

“Robotické protézy dolních končetin musí provádět různé chování na základě terénu, po kterém uživatelé chodí,” říká Lobaton. “Rámec, který jsme vytvořili, umožňuje umělé inteligenci v robotických protézách předpovídat typ terénu, na který uživatelé budou šlapat, kvantifikovat nejistotu spojenou s touto předpovědí a poté tuto nejistotu zahrnout do svého rozhodování.”

Výzkumníci se zaměřili na šest různých typů terénu, z nichž každý vyžadoval úpravy chování robotické protézy. Tyto typy terénu byly: dlažba, beton, cihla, tráva, “nahoru” a “dolů”.

Boxuan Zhong je hlavní autor článku a absolvent doktorského studia na NC State.

“Pokud je stupeň nejistoty příliš vysoký, umělé inteligence není nucena učinit sporné rozhodnutí – může místo toho upozornit uživatele, že nemá dostatečnou důvěru ve svou předpověď, aby jednal, nebo se může přepnout do ‘bezpečného’ režimu,” říká Zhong.

Incorporace hardwarových a softwarových prvků

Nový rámec se spoléhá na kombinaci hardwarových a softwarových prvků a je používán s jakýmikoli robotickými exoskelety nebo protézami dolních končetin.

Jedním z nových aspektů tohoto rámce je použití kamery jako dalšího hardwarového prvku. Ve studii byly kamery umístěny na brýlích a na protéze dolní končetiny. Výzkumníci poté pozorovali, jak umělé inteligence využívá data z počítačového vidění z obou typů kamer, nejprve samostatně a poté společně.

Helen Huang je spoluautorkou článku a je Jackson Family Distinguished Professor of Biomedical Engineering na Joint Department of Biomedical Engineering na NC State a University of North Carolina at Chapel Hill.

“Incorporace počítačového vidění do softwaru pro ovládání nositelné robotiky je zajímavou novou oblastí výzkumu,” říká Huang. “Zjistili jsme, že použití obou kamer fungovalo dobře, ale vyžadovalo velké množství výpočetního výkonu a může být nákladově náročné. Nicméně, jsme také zjistili, že použití pouze kamery umístěné na protéze dolní končetiny fungovalo poměrně dobře – zejména pro krátkodobé předpovědi, jako je typ terénu pro následující krok nebo dva.”

Podle Lobatona je tato práce aplikovatelná na jakýkoli typ hlubokého učení.

“Přišli jsme s lepším způsobem, jak učit hluboké učení systémy, aby vyhodnocovaly a kvantifikovaly nejistotu způsobem, který umožňuje systému zahrnout nejistotu do svého rozhodování,” říká Lobaton. “To je určitě relevantní pro robotické protézy, ale naše práce zde může být aplikována na jakýkoli typ hlubokého učení systému.”

Školení systému umělé inteligence

Pro školení systému umělé inteligence byly kamery umístěny na zdravých účastnících, kteří poté procházeli různými vnitřními a vnějšími prostředími. Následujícím krokem bylo, aby jedinec s amputovanou dolní končetinou procházel stejnými prostředími, zatímco nosil kamery.

“Zjistili jsme, že model může být přenesen tak, aby systém fungoval s účastníky z různých populací,” říká Lobaton. “To znamená, že umělé inteligence fungovala dobře, i když byla trénována jednou skupinou lidí a používána někým jiným.”

Následujícím krokem je otestovat rámec v robotickém zařízení.

“Jsme nadšeni zahrnout rámec do ovládacího systému pro funkční robotické protézy – to je následující krok,” říká Huang.

Tým bude také pracovat na zlepšení efektivity systému, snížením množství vizuálních dat a zpracování dat.