Nieuwe software ontwikkeld om robotische prothesen te verbeteren

Nieuwe software is ontwikkeld door onderzoekers aan de North Carolina State University om robotische prothesen of exoskeletten te verbeteren. De nieuwe software kan geïntegreerd worden met bestaande hardware, waardoor het lopen op verschillende terreinen veiliger en natuurlijker wordt.

Het artikel is getiteld “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” Het is gepubliceerd in IEEE Transactions on Automation Science and Engineering.

Aanpassen aan verschillende terreinen

Edgar Lobaton is medeauteur van het artikel. Hij is associate professor in elektrotechniek en computerwetenschappen aan de universiteit.

“Robotische prothesen voor het onderste lidmaat moeten verschillende gedragingen uitvoeren op basis van het terrein waarop de gebruikers lopen,” zegt Lobaton. “Het kader dat we hebben ontwikkeld, stelt de AI in robotische prothesen in staat om het type terrein te voorspellen waarop de gebruikers zullen stappen, de onzekerheden die daarmee samenhangen te kwantificeren en die onzekerheid vervolgens in de besluitvorming te incorporeren.”

De onderzoekers richtten zich op zes verschillende terreinen, waarvoor elk een aanpassing van het gedrag van een robotische prothese vereist was. Deze terreinen waren tegels, beton, baksteen, gras, “boven” en “beneden”.

Boxuan Zhong is de hoofdauteur van het artikel en een PhD-afgestudeerde van NC State.

“Als de mate van onzekerheid te hoog is, hoeft de AI geen twijfelachtige beslissing te nemen – het kan de gebruiker in plaats daarvan op de hoogte stellen dat het niet genoeg vertrouwen heeft in de voorspelling om te handelen, of het kan overschakelen naar een ‘veilig’ modus,” zegt Zhong.

Integratie van hardware- en software-elementen

Het nieuwe kader is afhankelijk van zowel hardware- als software-elementen die samen worden geïntegreerd en wordt gebruikt met elk onderste lidmaat robotisch exoskelet of robotische prothese-apparaat.

Een nieuw aspect van dit kader is een camera als extra hardware. In de studie werden camera’s op brilleglazen gedragen en op het onderste lidmaat van de prothese geplaatst. De onderzoekers observeerden vervolgens hoe de AI computer-visiegegevens van de twee verschillende soorten camera’s kon gebruiken, eerst afzonderlijk en vervolgens samen.

Helen Huang is medeauteur van het artikel. Zij is de Jackson Family Distinguished Professor of Biomedical Engineering in de Joint Department of Biomedical Engineering aan NC State en de University of North Carolina at Chapel Hill.

“Het integreren van computer-visie in de besturingssoftware voor draagbare robots is een spannend nieuw onderzoeksgebied,” zegt Huang. “We ontdekten dat het gebruik van beide camera’s goed werkte, maar veel rekenkracht vereiste en mogelijk kostbaar kan zijn. Maar we ontdekten ook dat het gebruik van alleen de camera op het onderste lidmaat redelijk goed werkte – vooral voor korte-termijnvoorspellingen, zoals wat het terrein zou zijn voor de volgende stap of twee.”

Volgens Lobaton is het werk toepasbaar op elk type diep-leersysteem.

“We hebben een betere manier bedacht om diep-leersystemen te leren onzekerheden te evalueren en te kwantificeren, zodat het systeem onzekerheid in de besluitvorming kan incorporeren,” zegt Lobaton. “Dit is zeker relevant voor robotische prothesen, maar ons werk hier kan worden toegepast op elk type diep-leersysteem.”

Trainen van het AI-systeem

Om het AI-systeem te trainen, werden de camera’s op gezonde deelnemers geplaatst, die vervolgens door verschillende binnen- en buitenomgevingen bewogen. De volgende stap was om een persoon met een onderste lidmaat amputatie dezelfde omgevingen te laten navigeren terwijl hij de camera’s droeg.

“We ontdekten dat het model op de juiste manier kan worden overgedragen, zodat het systeem kan functioneren met onderwerpen uit verschillende populaties,” zegt Lobaton. “Dat betekent dat de AI goed werkte, zelfs als het was getraind door een groep mensen en gebruikt door iemand anders.”

De volgende stap is om het kader te testen in een robotapparaat.

“We zijn enthousiast om het kader te integreren in het besturingssysteem voor werkende robotische prothesen – dat is de volgende stap,” zegt Huang.

Het team zal ook werken aan het maken van het systeem efficiënter, door minder visuele gegevensinvoer en gegevensverwerking te vereisen.