Uusi ohjelmisto kehitetty parantamaan robottisten proteesien toimintaa

Tutkijat Pohjois-Carolinan osavaltion yliopistossa ovat kehittäneet uuden ohjelmiston, jolla voidaan parantaa robottisten proteesien tai eksoskelettoreiden toimintaa. Uusi ohjelmisto voidaan yhdistää olemassa olevaan laitteistoon, mikä johtaa turvallisempaan ja luonnollisempaan kävelyyn eri maastoissa.

Tutkimusartikkeli on nimeltään “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” Se on julkaistu IEEE Transactions on Automation Science and Engineering -julkaisussa.

Soveltuminen eri maastoihin

Edgar Lobaton on yksi artikkelin tekijöistä. Hän on sähkö- ja tietotekniikan apulaisprofessori yliopistossa.

“Alaraajan robottiset proteesit tarvitsevat eri käyttäytymismalleja riippuen siitä, minkälaista maastoa käyttäjä kävelee”, Lobaton sanoo. “Meidän kehittämämme viitekehyksessä robottisten proteesien tekoäly voi ennustaa, minkälaista maastoa käyttäjä on menossa, määritellä epävarmuuden määrän tässä ennusteessa ja sitten ottaa tämän epävarmuuden huomioon päätöksenteossa.”

Tutkijat keskittyivät kuuteen eri maastoon, joista jokainen vaati sopeutumista robottisen proteesin käyttäytymiseen. Nämä maastot olivat tiili, betoni, tiili, nurmi, “yläpuolella” ja “alapuolella”.

Boxuan Zhong on artikkelin päätekijä ja tohtorikoulutettu NC Statelta.

“Jos epävarmuuden määrä on liian suuri, tekoäly ei ole pakotettu tekemään kyseenalaista päätöstä – se voi sen sijaan ilmoittaa käyttäjälle, ettei sillä ole riittävästi luottamusta ennusteeseensa toimia, tai se voi oletusarvoisesti siirtyä “turvalliseen” tilaan”, Zhong sanoo.

Laitteiston ja ohjelmiston yhdistäminen

Uusi viitekehyksessä yhdistetään sekä laitteiston että ohjelmiston osia, ja sitä voidaan käyttää minkä tahansa alaraajan robottisen eksoskelettoreiden tai proteesien laitteiston kanssa.

Yksi uusi asia tässä viitekehyksessä on kameran käyttäminen laitteistona. Tutkimuksessa käytettiin kameroita silmälaseissa ja alaraajan proteesissa. Tutkijat havaitsivat, miten tekoäly pystyi käyttämään tietokoneen näködatan näistä kahdesta eri kameratyypistä, ensin erikseen ja sitten yhdessä.

Helen Huang on yksi artikkelin tekijöistä. Hän on Jacksonin perheen erottuva professori biolääketieteellisessä insinööritieteessä NC Staten ja Pohjois-Carolinan yliopiston yhteisessä biolääketieteellisessä insinööritieteen laitoksessa.

“Tietokoneen näön käyttäminen kannettavien robottien ohjelmistojen ohjaamiseen on jännittävä uusi tutkimusalue”, Huang sanoo. “Havaitsemme, että molempien kameroiden käyttäminen toimi hyvin, mutta vaati paljon laskentakapasiteettia ja saattaa olla kustannuksiltaan esteettä. Havaitsemme myös, että ainoastaan alaraajan proteesiin kiinnitetyllä kameralla saavutettiin hyviä tuloksia, erityisesti lähiaikaisissa ennusteissa, kuten seuraavien askelten tai kahden maaston kaltaisissa ennusteissa.”

Lobatonin mukaan työ on sovellettavissa mihin tahansa syvän oppimisen järjestelmään.

“Keksimme paremman tavan opettaa syvän oppimisen järjestelmiä arvioimaan ja määrittelemään epävarmuutta tavalla, joka mahdollistaa järjestelmän ottamaan epävarmuuden huomioon päätöksenteossa”, Lobaton sanoo. “Tämä on varmasti relevanttia robottisille proteeseille, mutta tämä työ voidaan soveltaa mihin tahansa syvän oppimisen järjestelmään.”

Tekoälyn kouluttaminen

Tekoälyn kouluttamiseksi kameroita asennettiin terveille osallistujille, jotka liikkuivat eri sisä- ja ulkotiloissa. Seuraava askel oli, että alaraajan amputoitu henkilö liikkui samassa ympäristössä kameroiden kanssa.

“Havaitsemme, että malli voidaan siirtää oikein, jotta järjestelmä voidaan käyttää eri väestöryhmien henkilöillä”, Lobaton sanoo. “Tämä tarkoittaa, että tekoäly toimi hyvin, vaikka se oli koulutettu toisella ryhmällä ja käytettiin toisella henkilöllä.”

Seuraava askel on testata viitekehyksessä robottisessa laitteistossa.

“Olemme innoissamme siitä, että voimme sisällyttää viitekehyksen robottisten proteesien ohjausjärjestelmään – se on seuraava askel”, Huang sanoo.

Tutkijaryhmä työskentelee myös järjestelmän tehostamiseksi, jotta se vaatisi vähemmän visuaalista dataa ja tietokoneen laskentaa.