Datavitenskapsmenn utvikler nøyaktig navigasjonssystem for roboter i akuttmottak

Et nyutviklet navigasjonssystem for roboter som har vist seg å være mer nøyaktig, er utviklet av datavitenskapsmenn ved University of California San Diego. Systemet vil ermöglice roboter å bedre navigere i akuttmottak og overfyldte kliniske miljøer. I tillegg til det nye systemet, har forskerne også utviklet en datasett med åpne kildekoder-videor som kan brukes til å trene fremtidige robotnavigasjonssystemer.

Forskningen ble presentert i en artikkel for Den internasjonale konferansen om robotikk og automatisering, som skal finne sted i Xi’an, Kina fra 30. mai til 5. juni. Teamet ble ledet av professor Laurel Riek og Ph.D-student Angelique Taylor.

Klinikere har lenge snakket om hvordan roboter kunne hjelpe leger, sykepleiere og ansatte i akuttmottaket, og en av konklusjonene var at de kunne gjøre dette best ved å levere forsyninger og materialer. For at dette skal skje, må robotene være i stand til å unngå situasjoner som involverer travle klinikere som er med pasienter i kritisk eller alvorlig tilstand.

Riek har stillinger i datavitenskap og akuttmedisin ved UC San Diego.

“For å utføre disse oppgavene, må robotene forstå konteksten av komplekse sykehusmiljøer og menneskene som arbeider rundt dem,” sa Riek.

Sikkerhetskritisk dypt Q-nettverk (SafeDQN)

Navigasjonssystemet bygget av Taylor og kolleger heter Sikkerhetskritisk dypt Q-nettverk (SafeDQN). Det ble bygget rundt en algoritme som ser på hvor mange mennesker som er samlet i et rom og hvor raskt de beveger seg.

Algoritmen baserer seg på observasjoner av klinikere i akuttmottaket, for eksempel når et helt team gir hjelp til en pasient som har en forverret tilstand. Klinikere beveger seg rundt i et akuttmiljø på en meget presis og rask måte, så navigasjonssystemet ermöglicer robotene å bevege seg rundt disse gruppene av mennesker samtidig som de unngår å komme i veien.

Taylor er en del av Rieks Healthcare Robotics Lab ved UC San Diego Department of Computer Science and Engineering.

“Vårt system var designet for å håndtere de verste scenariene som kan skje i akuttmottaket,” sa Taylor

Algoritmen ble trent med videoer på Youtube som kom fra dokumentarer og reality-shower om akuttmottak. Det finnes over 700 videoer som er tilgjengelige for andre forskningsteam som ønsker å trene algoritmer og roboter.

Algoritmen ble testet i en simuleringsmiljø, og når den ble satt opp mot andre toppmoderne navigasjonssystemer for roboter, var SafeDQN-systemet mer effektivt og sikker i alle tilfeller.

Forskerne vil nå teste systemet på en fysisk robot i en virkelig miljø, og de sier at det har anvendelser utenfor akuttmottaket, som for eksempel redningsoppdrag.