Nyt software udviklet til at forbedre robotiske proteser

Forskere ved North Carolina State University har udviklet nyt software til at forbedre robotiske proteser eller eksoskeletter. Det nye software kan integreres med eksisterende hardware, hvilket resulterer i en sikrere og mere naturlig gang på forskellige underlag.

Artiklen har titlen “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” Den er offentliggjort i IEEE Transactions on Automation Science and Engineering.

Tilpasning til forskellige underlag

Edgar Lobaton er medforfatter til artiklen. Han er lektor i elektroteknik og datateknik ved universitetet.

“Robotiske proteser for underkroppen skal udføre forskellige handlinger afhængigt af det underlag, brugeren går på,” siger Lobaton. “Rammeværket, vi har oprettet, tillader, at AI i robotiske proteser kan forudsige, hvilket underlag brugeren vil træde på, kvantificere usikkerhederne i forbindelse med denne forudsigelse og derefter inkorporere denne usikkerhed i sin beslutningstagning.”

Forskerne fokuserede på seks forskellige underlag, hvor hver krævede justeringer i opførslen af en robotisk protese. De var fliser, beton, mursten, græs, “op ad trapperne” og “ned ad trapperne”.

Boxuan Zhong er hovedforfatter til artiklen og ph.d.-stipendiat fra NC State.

“Hvis usikkerhedsgraden er for høj, bliver AI ikke tvunget til at træffe en tvivlsom beslutning – den kan i stedet underrette brugeren om, at den ikke har tilstrækkelig tillid til sin forudsigelse til at handle, eller den kan vælge en ‘sikker’ tilstand,” siger Zhong.

Inkorporering af hardware- og softwareelementer

Det nye rammeværk afhænger af både hardware- og softwareelementer, der er inkorporeret sammen, og det bruges med enhver type robotisk eksoskelet eller protese.

En ny aspekt af dette rammeværk er en kamera som et andet stykke hardware. I studiet blev kameraer båret på briller, og de blev placeret på den underkropdelte protese. Forskerne observerede derefter, hvordan AI kunne udnytte computerseende-data fra de to forskellige kameraer, først separat og derefter sammen.

Helen Huang er medforfatter til artiklen. Hun er Jackson Family Distinguished Professor of Biomedical Engineering i Joint Department of Biomedical Engineering ved NC State og University of North Carolina at Chapel Hill.

“At inkorporere computerseende i styresoftware for bærbare robotter er et spændende nyt forskningsområde,” siger Huang. “Vi fandt ud af, at brugen af begge kameraer fungerede godt, men krævede en stor mængde beregningskraft og kan være kostbar. Men vi fandt også ud af, at brugen af kun kameraet monteret på den underkropdelte protese fungerede ret godt – især for kortfristede forudsigelse, såsom hvad underlaget ville være som i de næste to skridt.”

Ifølge Lobaton er arbejdet anvendeligt på enhver type dyb-læringssystem.

“Vi fandt en bedre måde at lære dyb-læringssystemer, hvordan de skal evaluere og kvantificere usikkerhed på en måde, der tillader systemet at inkorporere usikkerhed i sin beslutningstagning,” siger Lobaton. “Dette er bestemt relevant for robotiske proteser, men vores arbejde her kan anvendes på enhver type dyb-læringssystem.”

Træning af AI-systemet

For at træne AI-systemet blev kameraerne placeret på raske deltagere, der derefter bevægede sig gennem forskellige indendørs og udendørs miljøer. Det næste trin var at have en person med underkropdelte amputationer navigere gennem de samme miljøer, mens de bar kameraer.

“Vi fandt ud af, at modellen kan overføres korrekt, så systemet kan fungere med subjekter fra forskellige befolkningsgrupper,” siger Lobaton. “Det betyder, at AI fungerede godt, selv om den var trænet af en gruppe mennesker og brugt af nogen anden.”

Det næste trin er at teste rammeværket i en robotisk enhed.

“Vi er begejstrede for at inkorporere rammeværket i styresystemet for fungerende robotiske proteser – det er det næste trin,” siger Huang.

Holdet vil også arbejde på at gøre systemet mere effektivt ved at kræve mindre visuel dataindgang og dataprocessering.