Nuovo Software Sviluppato per Migliorare le Protesi Robotiche

I ricercatori della North Carolina State University hanno sviluppato un nuovo software per migliorare le protesi robotiche o gli esoscheletri. Il nuovo software può essere integrato con l’hardware esistente, risultando in una camminata più sicura e naturale su diversi terreni.

Il documento è intitolato “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” È stato pubblicato su IEEE Transactions on Automation Science and Engineering.

Adattamento a Diversi Terreni

Edgar Lobaton è coautore del documento. È professore associato di ingegneria elettrica e informatica all’università.

“Le protesi robotiche per gli arti inferiori devono eseguire comportamenti diversi in base al terreno su cui gli utenti camminano”, afferma Lobaton. “La struttura che abbiamo creato consente all’intelligenza artificiale nelle protesi robotiche di prevedere il tipo di terreno su cui gli utenti si troveranno, quantificare le incertezze associate a tale previsione e incorporare tale incertezza nella sua presa di decisioni”.

I ricercatori si sono concentrati su sei diversi terreni, ognuno dei quali richiedeva regolazioni nel comportamento di una protesi robotica. Erano piastrelle, cemento, mattoni, erba, “scale” e “giù per le scale”.

Boxuan Zhong è l’autore principale del documento e un dottorando laureato alla NC State.

“Se il grado di incertezza è troppo alto, l’intelligenza artificiale non è costretta a prendere una decisione discutibile – potrebbe invece notificare all’utente che non ha abbastanza fiducia nella sua previsione per agire, o potrebbe passare alla modalità ‘sicura'”, afferma Zhong.

Incorporazione di Elementi Hardware e Software

La nuova struttura si basa sull’incorporazione di elementi hardware e software e viene utilizzata con qualsiasi esoscheletro robotico o dispositivo di protesi per gli arti inferiori.

Un nuovo aspetto di questa struttura è una telecamera come ulteriore elemento hardware. Nello studio, le telecamere erano indossate su occhiali e posizionate sulla protesi per gli arti inferiori. I ricercatori hanno quindi osservato come l’intelligenza artificiale sia stata in grado di utilizzare i dati della visione computerizzata dalle due diverse tipologie di telecamere, prima separatamente e poi insieme.

Helen Huang è coautrice del documento. È la professoressa di ingegneria biomedica della Joint Department of Biomedical Engineering alla NC State e all’Università della Carolina del Nord a Chapel Hill.

“L’incorporazione della visione computerizzata nel software di controllo per la robotica indossabile è un’area di ricerca emozionante e nuova”, afferma Huang. “Abbiamo scoperto che utilizzare entrambe le telecamere funziona bene, ma richiede una grande quantità di potenza di calcolo e potrebbe essere proibitivo in termini di costo. Tuttavia, abbiamo anche scoperto che utilizzare solo la telecamera montata sulla protesi per gli arti inferiori funziona abbastanza bene – in particolare per le previsioni a breve termine, come il tipo di terreno che si verificherà nel prossimo passo o due”.

Secondo Lobaton, il lavoro è applicabile a qualsiasi tipo di sistema di apprendimento profondo.

“Abbiamo trovato un modo migliore per insegnare ai sistemi di apprendimento profondo come valutare e quantificare l’incertezza in modo che il sistema possa incorporare l’incertezza nella sua presa di decisioni”, afferma Lobaton. “Questo è certamente rilevante per le protesi robotiche, ma il nostro lavoro qui potrebbe essere applicato a qualsiasi tipo di sistema di apprendimento profondo”.

Addestramento del Sistema di Intelligenza Artificiale

Per addestrare il sistema di intelligenza artificiale, le telecamere sono state posizionate su partecipanti con arti inferiori integri, che hanno poi percorso diversi ambienti interni ed esterni. Il passo successivo è stato far navigare un individuo con amputazione degli arti inferiori negli stessi ambienti indossando le telecamere.

“Abbiamo scoperto che il modello può essere trasferito in modo appropriato in modo che il sistema possa funzionare con soggetti di diverse popolazioni”, afferma Lobaton. “Ciò significa che l’intelligenza artificiale ha funzionato bene anche se è stata addestrata da un gruppo di persone e utilizzata da qualcun altro”.

Il prossimo passo è testare la struttura in un dispositivo robotico.

“Siamo entusiasti di incorporare la struttura nel sistema di controllo per le protesi robotiche funzionanti – questo è il prossimo passo”, afferma Huang.

Il team lavorerà anche per rendere il sistema più efficiente, richiedendo meno dati di input visivi e di elaborazione.