Nuevo software desarrollado para mejorar las prótesis robóticas

Los investigadores de la Universidad Estatal de Carolina del Norte han desarrollado un nuevo software para mejorar las prótesis robóticas o exoesqueletos. El nuevo software puede integrarse con el hardware existente, lo que resulta en una marcha más segura y natural en diferentes terrenos.

El artículo se titula “Predicción de contexto ambiental para prótesis de miembros inferiores con cuantificación de incertidumbre.” Fue publicado en IEEE Transactions on Automation Science and Engineering.

Adaptación a diferentes terrenos

Edgar Lobaton es coautor del artículo. Es profesor asociado de ingeniería eléctrica y computacional en la universidad.

“Las prótesis robóticas de miembros inferiores necesitan ejecutar diferentes comportamientos según el terreno en el que los usuarios estén caminando”, dice Lobaton. “El marco que hemos creado permite que el AI en las prótesis robóticas prediga el tipo de terreno en el que los usuarios estarán pisando, cuantifique las incertidumbres asociadas con esa predicción y luego incorpore esa incertidumbre en su toma de decisiones”.

Los investigadores se centraron en seis terrenos diferentes, cada uno requiriendo ajustes en el comportamiento de una prótesis robótica. Fueron los siguientes: baldosa, concreto, ladrillo, césped, “arriba” y “abajo”.

Boxuan Zhong es el autor principal del artículo y un graduado de doctorado de NC State.

“Si el grado de incertidumbre es demasiado alto, el AI no se ve obligado a tomar una decisión cuestionable, podría notificar al usuario que no tiene suficiente confianza en su predicción para actuar, o podría pasar a un modo ‘seguro'”, dice Zhong.

Incorporación de elementos de hardware y software

El nuevo marco se basa en la incorporación de elementos de hardware y software, y se utiliza con cualquier exoesqueleto robótico o dispositivo de prótesis de miembros inferiores.

Un nuevo aspecto de este marco es una cámara como otro elemento de hardware. En el estudio, las cámaras se llevaron en gafas y se colocaron en la prótesis de miembros inferiores. Los investigadores observaron cómo el AI podía utilizar datos de visión computacional de las dos cámaras diferentes, primero por separado y luego juntas.

Helen Huang es coautora del artículo. Es la profesora distinguida de la familia Jackson de ingeniería biomédica en el Departamento Conjunto de Ingeniería Biomédica de NC State y la Universidad de Carolina del Norte en Chapel Hill.

“Incorporar la visión computacional en el software de control para la robótica wearable es un área de investigación emocionante y nueva”, dice Huang. “Encontramos que usar ambas cámaras funcionó bien, pero requirió una gran cantidad de poder de cálculo y puede ser costoso. Sin embargo, también encontramos que usar solo la cámara montada en el miembro inferior funcionó bastante bien, particularmente para predicciones a corto plazo, como qué tipo de terreno sería en el próximo paso o dos”.

Según Lobaton, el trabajo es aplicable a cualquier tipo de sistema de aprendizaje profundo.

“Encontramos una mejor manera de enseñar a los sistemas de aprendizaje profundo a evaluar y cuantificar la incertidumbre de una manera que permita al sistema incorporar la incertidumbre en su toma de decisiones”, dice Lobaton. “Esto es ciertamente relevante para las prótesis robóticas, pero nuestro trabajo aquí podría aplicarse a cualquier tipo de sistema de aprendizaje profundo”.

Entrenamiento del sistema de AI

Para entrenar el sistema de AI, las cámaras se colocaron en participantes sanos, que luego se movieron a través de diferentes entornos interiores y exteriores. El siguiente paso fue que un individuo con amputación de miembros inferiores navegara por los mismos entornos mientras llevaba las cámaras.

“Encontramos que el modelo se puede transferir adecuadamente para que el sistema pueda operar con sujetos de diferentes poblaciones”, dice Lobaton. “Eso significa que el AI funcionó bien incluso cuando se entrenó con un grupo de personas y se utilizó con alguien diferente”.

El próximo paso es probar el marco en un dispositivo robótico.

“Estamos emocionados de incorporar el marco en el sistema de control para prótesis robóticas funcionales, ese es el próximo paso”, dice Huang.

El equipo también trabajará en hacer que el sistema sea más eficiente, requiriendo menos datos visuales de entrada y procesamiento de datos.