Νέο λογισμικό που αναπτύχθηκε για τη βελτίωση της ρομποτικής προσθετικής 

Νέο λογισμικό αναπτύχθηκε από ερευνητές στο Κρατικό Πανεπιστήμιο της Βόρειας Καρολίνας με σκοπό τη βελτίωση των ρομποτικών προσθετικών ή εξωσκελετών. Το νέο λογισμικό μπορεί να ενσωματωθεί με το υπάρχον υλικό, με αποτέλεσμα πιο ασφαλές και φυσικό περπάτημα σε διαφορετικά εδάφη. 

Η εφημερίδα έχει τίτλο «Πρόβλεψη περιβαλλοντικού πλαισίου για προσθέσεις κάτω άκρων με ποσοτικοποίηση αβεβαιότητας.” Δημοσιεύτηκε στο IEEE Transactions on Automation Science and Engineering.

Προσαρμογή σε διαφορετικά εδάφη

Ο Edgar Lobaton είναι συν-συγγραφέας της εργασίας. Είναι αναπληρωτής καθηγητής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών στο Πανεπιστήμιο. 

«Τα ρομποτικά προσθετικά κάτω άκρων πρέπει να εκτελούν διαφορετικές συμπεριφορές με βάση το έδαφος στο οποίο περπατούν οι χρήστες», λέει ο Lobaton. «Το πλαίσιο που δημιουργήσαμε επιτρέπει στην τεχνητή νοημοσύνη σε ρομποτικές προσθέσεις να προβλέψει τον τύπο του εδάφους που θα πατήσουν οι χρήστες, να ποσοτικοποιήσει τις αβεβαιότητες που σχετίζονται με αυτήν την πρόβλεψη και στη συνέχεια να ενσωματώσει αυτή την αβεβαιότητα στη λήψη των αποφάσεών της».

Υπήρχαν έξι διαφορετικά εδάφη στα οποία εστίασαν οι ερευνητές, με το καθένα να απαιτεί προσαρμογές στη συμπεριφορά ενός ρομποτικού προσθετικού. Ήταν πλακάκια, μπετόν, τούβλα, γρασίδι, «πάνω» και «κάτω». 

Ο Boxuan Zhong είναι ο κύριος συγγραφέας της εργασίας και Ph.D. πτυχιούχος του NC State.

"Εάν ο βαθμός αβεβαιότητας είναι πολύ υψηλός, η τεχνητή νοημοσύνη δεν αναγκάζεται να λάβει μια αμφισβητήσιμη απόφαση - θα μπορούσε αντί αυτού να ειδοποιήσει τον χρήστη ότι δεν έχει αρκετή εμπιστοσύνη στην πρόβλεψή του να ενεργήσει ή θα μπορούσε προεπιλογή σε "ασφαλή" λειτουργία», λέει ο Zhong.

Ενσωμάτωση Στοιχείων Υλικού και Λογισμικού

Το νέο πλαίσιο βασίζεται σε στοιχεία υλικού και λογισμικού που ενσωματώνονται μαζί και χρησιμοποιείται με οποιονδήποτε ρομποτικό εξωσκελετό κάτω άκρων ή ρομποτική προσθετική συσκευή. 

Μια νέα πτυχή αυτού του πλαισίου είναι μια κάμερα ως ένα άλλο κομμάτι υλικού. Στη μελέτη, οι κάμερες φορέθηκαν σε γυαλιά οράσεως και τοποθετήθηκαν στην πρόσθεση των κάτω άκρων. Στη συνέχεια, οι ερευνητές παρατήρησαν πώς η τεχνητή νοημοσύνη ήταν σε θέση να χρησιμοποιήσει δεδομένα όρασης υπολογιστή από τους δύο διαφορετικούς τύπους καμερών, πρώτα ξεχωριστά και στη συνέχεια μαζί. 

Η Helen Huang είναι συν-συγγραφέας της εργασίας. Είναι διακεκριμένη καθηγήτρια βιοϊατρικής μηχανικής της οικογένειας Jackson στο Κοινό Τμήμα Βιοϊατρικής Μηχανικής στο NC State και στο Πανεπιστήμιο της Βόρειας Καρολίνας στο Chapel Hill. 

«Η ενσωμάτωση της όρασης υπολογιστή σε λογισμικό ελέγχου για φορετή ρομποτική είναι ένας συναρπαστικός νέος τομέας έρευνας», λέει ο Huang. «Διαπιστώσαμε ότι η χρήση και των δύο καμερών λειτούργησε καλά, αλλά απαιτούσε μεγάλη υπολογιστική ισχύ και μπορεί να είναι απαγορευτική. Ωστόσο, διαπιστώσαμε επίσης ότι η χρήση μόνο της κάμερας που ήταν τοποθετημένη στο κάτω άκρο λειτούργησε αρκετά καλά — ιδιαίτερα για βραχυπρόθεσμες προβλέψεις, όπως το πώς θα ήταν το έδαφος για τα επόμενα βήματα».

Σύμφωνα με τον Lobaton, η εργασία είναι εφαρμόσιμη σε κάθε τύπο συστήματος βαθιάς μάθησης.

«Καταλήξαμε σε έναν καλύτερο τρόπο για να διδάξουμε τα συστήματα βαθιάς μάθησης πώς να αξιολογούν και να ποσοτικοποιούν την αβεβαιότητα με τρόπο που επιτρέπει στο σύστημα να ενσωματώνει την αβεβαιότητα στη λήψη των αποφάσεών του», λέει ο Lobaton. «Αυτό είναι σίγουρα σχετικό για τη ρομποτική προσθετική, αλλά η δουλειά μας εδώ θα μπορούσε να εφαρμοστεί σε κάθε τύπο συστήματος βαθιάς μάθησης».

Εκπαίδευση του συστήματος AI

Για την εκπαίδευση του συστήματος AI, οι κάμερες τοποθετήθηκαν σε αρτιμελείς συμμετέχοντες, οι οποίοι στη συνέχεια μετακινήθηκαν σε διαφορετικά εσωτερικά και εξωτερικά περιβάλλοντα. Το επόμενο βήμα ήταν να βάλουμε ένα άτομο με ακρωτηριασμό κάτω άκρων να περιηγηθεί στα ίδια περιβάλλοντα ενώ φορούσε τις κάμερες. 

«Διαπιστώσαμε ότι το μοντέλο μπορεί να μεταφερθεί κατάλληλα, ώστε το σύστημα να μπορεί να λειτουργεί με άτομα από διαφορετικούς πληθυσμούς», λέει ο Lobaton. «Αυτό σημαίνει ότι η τεχνητή νοημοσύνη λειτούργησε καλά, παρόλο που εκπαιδεύτηκε από μια ομάδα ανθρώπων και χρησιμοποιήθηκε από κάποιον διαφορετικό».

Το επόμενο βήμα είναι να δοκιμάσετε το πλαίσιο σε μια ρομποτική συσκευή. 

«Είμαστε ενθουσιασμένοι που θα ενσωματώσουμε το πλαίσιο στο σύστημα ελέγχου για την εργασία ρομποτικής προσθετικής — αυτό είναι το επόμενο βήμα», λέει ο Huang.

Η ομάδα θα εργαστεί επίσης για να καταστήσει το σύστημα πιο αποτελεσματικό, απαιτώντας λιγότερη εισαγωγή οπτικών δεδομένων και επεξεργασία δεδομένων.