Neue Software zur Verbesserung von Roboter-Prothesen entwickelt

Forscher der North Carolina State University haben eine neue Software entwickelt, um Roboter-Prothesen oder Exoskelette zu verbessern. Die neue Software kann in bestehende Hardware integriert werden, was zu sichererem und natürlicherem Gehen auf verschiedenen Oberflächen führt.

Der Artikel ist unter dem Titel “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” in der Zeitschrift IEEE Transactions on Automation Science and Engineering veröffentlicht worden.

Anpassung an verschiedene Oberflächen

Edgar Lobaton ist Co-Autor des Artikels. Er ist Associate Professor für Elektrotechnik und Informatik an der Universität.

“Unterextremitäts-Roboter-Prothesen müssen unterschiedliche Verhaltensweisen basierend auf der Oberfläche ausführen, auf der die Benutzer gehen”, sagt Lobaton. “Das von uns entwickelte Framework ermöglicht es dem künstlichen Intellekt in Roboter-Prothesen, die Art der Oberfläche vorherzusagen, auf die die Benutzer treten werden, die Unsicherheiten im Zusammenhang mit dieser Vorhersage zu quantifizieren und diese Unsicherheit in seine Entscheidungsfindung einzubeziehen.”

Die Forscher haben sich auf sechs verschiedene Oberflächen konzentriert, für die jeweils Anpassungen im Verhalten einer Roboter-Prothese erforderlich waren. Diese Oberflächen waren Fliesen, Beton, Ziegel, Gras, “Treppen hinauf” und “Treppen hinunter”.

Boxuan Zhong ist der Hauptautor des Artikels und ein Ph.D.-Absolvent der NC State.

“Wenn der Grad der Unsicherheit zu hoch ist, muss der künstliche Intellekt keine fragwürdige Entscheidung treffen – er kann stattdessen den Benutzer benachrichtigen, dass er nicht genug Vertrauen in seine Vorhersage hat, um zu handeln, oder er kann in einen ‘sicheren’ Modus wechseln”, sagt Zhong.

Einbindung von Hardware- und Software-Elementen

Das neue Framework basiert auf der Einbindung von Hardware- und Software-Elementen und kann mit jedem unteren Extremitäts-Roboter-Exoskelett oder Roboter-Prothesen-Gerät verwendet werden.

Ein neuer Aspekt dieses Frameworks ist eine Kamera als weitere Hardware-Komponente. In der Studie wurden Kameras auf Brillen getragen und auf der unteren Extremitäts-Prothese angebracht. Die Forscher beobachteten dann, wie der künstliche Intellekt Computer-Vision-Daten von den beiden verschiedenen Arten von Kameras nutzte, zunächst getrennt und dann zusammen.

Helen Huang ist Co-Autorin des Artikels. Sie ist die Jackson Family Distinguished Professor of Biomedical Engineering in der Joint Department of Biomedical Engineering an der NC State und der University of North Carolina at Chapel Hill.

“Die Einbindung von Computer-Vision in Steuerungssoftware für tragbare Roboter ist ein spannendes neues Forschungsgebiet”, sagt Huang. “Wir fanden heraus, dass die Verwendung beider Kameras gut funktionierte, aber eine große Menge an Rechenleistung erforderte und möglicherweise kostspielig sein könnte. Wir fanden jedoch auch heraus, dass die Verwendung nur der auf der unteren Extremität montierten Kamera gut funktionierte – insbesondere für kurzfristige Vorhersagen, wie z.B. welche Oberfläche für den nächsten Schritt oder die nächsten beiden Schritte vorliegen würde.”

Laut Lobaton ist die Arbeit auf jeden Typ von Deep-Learning-System anwendbar.

“Wir haben eine bessere Methode entwickelt, um Deep-Learning-Systeme zu lehren, Unsicherheiten zu bewerten und zu quantifizieren, sodass das System Unsicherheiten in seine Entscheidungsfindung einbeziehen kann”, sagt Lobaton. “Dies ist sicherlich relevant für Roboter-Prothesen, aber unsere Arbeit hier könnte auf jeden Typ von Deep-Learning-System angewendet werden.”

Schulung des künstlichen Intellekt-Systems

Um das künstliche Intellekt-System zu schulen, wurden die Kameras auf gesunde Teilnehmer angebracht, die dann durch verschiedene Innen- und Außenbereiche bewegten. Der nächste Schritt bestand darin, dass eine Person mit unterer Extremitäts-Amputation die gleichen Bereiche bewegte, während sie die Kameras trug.

“Wir fanden heraus, dass das Modell angemessen übertragen werden kann, sodass das System mit Probanden aus verschiedenen Populationen funktioniert”, sagt Lobaton. “Das bedeutet, dass der künstliche Intellekt gut funktionierte, obwohl er von einer Gruppe von Menschen trainiert wurde und von jemand anderem verwendet wurde.”

Der nächste Schritt besteht darin, das Framework in einem Roboter-Gerät zu testen.

“Wir sind begeistert, das Framework in das Steuersystem für funktionierende Roboter-Prothesen zu integrieren – das ist der nächste Schritt”, sagt Huang.

Das Team wird auch daran arbeiten, das System effizienter zu machen, indem es weniger visuelle Daten und Datenverarbeitung erfordert.