Nouveau logiciel développé pour améliorer les prothèses robotiques

De nouveaux logiciels ont été développés par des chercheurs de l’Université d’État de Caroline du Nord afin d’améliorer les prothèses robotiques ou les exosquelettes. Le nouveau logiciel peut être intégré à l’équipement existant, ce qui donne lieu à une marche plus sûre et plus naturelle sur différents terrains.

L’article est intitulé “Prédiction du contexte environnemental pour les prothèses de membre inférieur avec quantification de l’incertitude.” Il a été publié dans IEEE Transactions on Automation Science and Engineering.

Adaptation à différents terrains

Edgar Lobaton est co-auteur de l’article. Il est professeur agrégé de génie électrique et informatique à l’université.

« Les prothèses robotiques pour membre inférieur doivent exécuter différents comportements en fonction du terrain sur lequel les utilisateurs marchent », déclare Lobaton. « Le cadre que nous avons créé permet à l’IA des prothèses robotiques de prédire le type de terrain sur lequel les utilisateurs vont marcher, de quantifier les incertitudes associées à cette prédiction et de les intégrer dans sa prise de décision. »

Les chercheurs se sont concentrés sur six terrains différents, chacun nécessitant des ajustements dans le comportement d’une prothèse robotique. Il s’agissait de carreaux, de béton, de brique, de gazon, de « montée d’escalier » et de « descente d’escalier ».

Boxuan Zhong est l’auteur principal de l’article et un diplômé du doctorat de NC State.

« Si le degré d’incertitude est trop élevé, l’IA n’est pas obligée de prendre une décision douteuse – elle peut plutôt notifier l’utilisateur qu’elle n’a pas suffisamment confiance dans sa prédiction pour agir, ou elle peut basculer en mode « sûr » », déclare Zhong.

Incorporation d’éléments matériels et logiciels

Le nouveau cadre repose à la fois sur des éléments matériels et logiciels qui sont intégrés ensemble, et il est utilisé avec n’importe quel exosquelette robotique ou prothèse pour membre inférieur.

Un nouvel aspect de ce cadre est une caméra en tant qu’autre élément matériel. Dans l’étude, des caméras étaient portées sur des lunettes et placées sur la prothèse pour membre inférieur. Les chercheurs ont ensuite observé comment l’IA pouvait utiliser les données de vision par ordinateur à partir des deux types de caméras, d’abord séparément puis ensemble.

Helen Huang est co-auteur de l’article. Elle est professeur distingué de génie biomédical au département conjoint de génie biomédical de NC State et de l’Université de Caroline du Nord à Chapel Hill.

« L’intégration de la vision par ordinateur dans les logiciels de contrôle pour la robotique portable est un domaine de recherche passionnant », déclare Huang. « Nous avons constaté que l’utilisation des deux caméras fonctionnait bien, mais nécessitait une grande quantité de puissance de calcul et pourrait être coûteuse. Cependant, nous avons également constaté que l’utilisation de la seule caméra montée sur le membre inférieur fonctionnait plutôt bien – en particulier pour les prévisions à court terme, telles que le type de terrain qui serait comme pour les deux prochaines étapes. »

Selon Lobaton, le travail est applicable à tout type de système d’apprentissage profond.

« Nous avons trouvé un meilleur moyen d’enseigner aux systèmes d’apprentissage profond comment évaluer et quantifier l’incertitude d’une manière qui permet au système d’intégrer l’incertitude dans sa prise de décision », déclare Lobaton. « C’est certainement pertinent pour les prothèses robotiques, mais notre travail ici pourrait être appliqué à tout type de système d’apprentissage profond. »

Formation du système d’IA

Afin de former le système d’IA, les caméras ont été placées sur des participants valides, qui ont ensuite parcouru différents environnements intérieurs et extérieurs. L’étape suivante consistait à faire naviguer un individu ayant une amputation du membre inférieur dans les mêmes environnements tout en portant les caméras.

« Nous avons constaté que le modèle peut être transféré de manière appropriée afin que le système puisse fonctionner avec des sujets issus de différentes populations », déclare Lobaton. « Cela signifie que l’IA a bien fonctionné même si elle avait été formée par un groupe de personnes et utilisée par quelqu’un de différent. »

L’étape suivante consiste à tester le cadre dans un dispositif robotique.

« Nous sommes impatients d’intégrer le cadre dans le système de contrôle pour les prothèses robotiques fonctionnelles – c’est l’étape suivante », déclare Huang.

L’équipe travaillera également à rendre le système plus efficace, en réduisant les données visuelles et le traitement des données nécessaires.