Νέο Λογισμικό Αναπτύχθηκε για την Βελτίωση των Ρομποτικών Προσθετικών

Νέο λογισμικό έχει αναπτυχθεί από ερευνητές στο Πανεπιστήμιο της Βόρειας Καρολίνας για να βελτιώσει τα ρομποτικά προσθετικά ή εξοσκελετούς. Το νέο λογισμικό μπορεί να ενσωματωθεί με υφιστάμενο υλικό, με αποτέλεσμα ασφαλέστερο και πιο φυσικό περπάτημα σε διαφορετικά εδάφη.

Το έγγραφο έχει τον τίτλο “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” και δημοσιεύθηκε στο IEEE Transactions on Automation Science and Engineering.

Προσαρμογή σε Διαφορετικά Εδάφη

Ο Edgar Lobaton είναι συν-συγγραφέας του εγγράφου. Είναι αναπληρωτής καθηγητής ηλεκτρικού και υπολογιστικού μηχανικού στο πανεπιστήμιο.

“Τα ρομποτικά προσθετικά για τα κάτω άκρα χρειάζονται να εκτελέσουν διαφορετικές συμπεριφορές ανάλογα με το έδαφος που περπατούν οι χρήστες,” λέει ο Lobaton. “Το πλαίσιο που δημιουργήσαμε επιτρέπει στο ρομποτικό προσθετικό να προβλέψει τον τύπο εδάφους που θα πατήσουν οι χρήστες, να ποσοτικοποιήσει τις αβεβαιότητες που σχετίζονται με αυτήν την πρόβλεψη και στη συνέχεια να ενσωματώσει αυτήν την αβεβαιότητα στη λήψη αποφάσεων.”

Οι ερευνητές επικεντρώθηκαν σε έξι διαφορετικά εδάφη, με το καθένα να απαιτεί προσαρμογές στη συμπεριφορά του ρομποτικού προσθετικού. Αυτά ήταν το πλακάκι, το σκυρόδεμα, το τούβλο, το γκαζόν, “πάνω” και “κάτω”.

Ο Boxuan Zhong είναι ο κύριος συγγραφέας του εγγράφου και διδάκτωρ από το NC State.

“Εάν ο βαθμός της αβεβαιότητας είναι πολύ υψηλός, το ρομποτικό προσθετικό δεν είναι υποχρεωμένο να λάβει μια αμφίβολη απόφαση – μπορεί αντ’ αυτού να ειδοποιήσει τον χρήστη ότι δεν έχει αρκετή εμπιστοσύνη στην πρόβλεψή του για να ενεργήσει, ή μπορεί να προεπιλέξει một “ασφαλή” λειτουργία,” λέει ο Zhong.

Ενσωμάτωση Υλικού και Λογισμικού

Το νέο πλαίσιο βασίζεται στην ενσωμάτωση και του υλικού και του λογισμικού, και χρησιμοποιείται με οποιοδήποτε ρομποτικό εξοσκελετό ή ρομποτικό προσθετικό για τα κάτω άκρα.

Μια νέα πτυχή αυτού του πλαισίου είναι μια κάμερα ως άλλο κομμάτι του υλικού. Στη μελέτη, οι κάμερες φοριούνταν σε γυαλιά και τοποθετούνταν στο ρομποτικό προσθετικό. Οι ερευνητές观察σαν πώς το ρομποτικό προσθετικό χρησιμοποιούσε δεδομένα υπολογιστικής όρασης από τις δύο διαφορετικές κάμερες, πρώτα ξεχωριστά και στη συνέχεια μαζί.

Η Helen Huang είναι συν-συγγραφέας του εγγράφου. Είναι ο καθηγητής Jackson Family Distinguished του Βιοϊατρικού Μηχανικού στο Τμήμα Βιοϊατρικού Μηχανικού στο NC State και το Πανεπιστήμιο της Βόρειας Καρολίνας στο Chapel Hill.

“Η ενσωμάτωση της υπολογιστικής όρασης στο λογισμικό ελέγχου για φορητά ρομποτικά είναι ένα συναρπαστικό νέο πεδίο έρευνας,” λέει η Huang. “Βρήκαμε ότι η χρήση και των δύο καμερών λειτουργούσε καλά, αλλά απαιτούσε μεγάλη ποσότητα υπολογιστικής ισχύος και μπορεί να είναι δαπανηρή. Ωστόσο, βρήκαμε επίσης ότι η χρήση μόνο της κάμερας που ήταν τοποθετημένη στο ρομποτικό προσθετικό λειτουργούσε khá καλά – ιδιαίτερα για προβλέψεις κοντά στο μέλλον, όπως τι είδους έδαφος θα ήταν για το επόμενο βήμα ή δύο.”

Σύμφωνα με τον Lobaton, η εργασία είναι εφαρμόσιμη σε οποιοδήποτε είδος βαθιάς μάθησης.

“Βρήκαμε έναν καλύτερο τρόπο να διδάξουμε τα συστήματα βαθιάς μάθησης πώς να αξιολογούν και να ποσοτικοποιούν την αβεβαιότητα με έναν τρόπο που επιτρέπει στο σύστημα να ενσωματώσει την αβεβαιότητα στη λήψη αποφάσεων,” λέει ο Lobaton. “Αυτό είναι σίγουρα σχετικό για τα ρομποτικά προσθετικά, αλλά η εργασία μας εδώ μπορεί να εφαρμοστεί σε οποιοδήποτε είδος συστήματος βαθιάς μάθησης.”

Εκπαίδευση του Συστήματος AI

Για να εκπαιδεύσουν το σύστημα AI, οι κάμερες τοποθετήθηκαν σε άτομα χωρίς αναπηρία, τα οποία στη συνέχεια μετακινήθηκαν σε διάφορες εσωτερικές και εξωτερικές περιβάλλσεις. Το επόμενο βήμα ήταν να έχει ένα άτομο με αναπηρία στο κάτω άκρο να διασχίζει τις ίδιες περιβάλλσεις जबकαι φορούσε τις κάμερες.

“Βρήκαμε ότι το μοντέλο μπορεί να μεταφερθεί σωστά ώστε το σύστημα να λειτουργήσει με άτομα από διαφορετικές πληθυσμούς,” λέει ο Lobaton. “Αυτό σημαίνει ότι το AI λειτουργούσε καλά ακόμη και αν είχε εκπαιδευτεί από μια ομάδα ανθρώπων και χρησιμοποιούνταν από κάποιον διαφορετικό.”

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

“Είμαστε ενθουσιασμένοι να ενσωματώσουμε το πλαίσιο στο σύστημα ελέγχου για λειτουργικά ρομποτικά προσθετικά — αυτό είναι το επόμενο βήμα,” λέει η Huang.

Η ομάδα θα εργαστεί επίσης για να κάνει το σύστημα πιο αποτελεσματικό, απαιτώντας λιγότερα οπτικά δεδομένα εισόδου και επεξεργασίας δεδομένων.