Ny programvare utviklet for å forbedre robotiske proteser

Forskere ved North Carolina State University har utviklet ny programvare for å forbedre robotiske proteser eller eksoskjeletter. Den nye programvaren kan integreres med eksisterende maskinvare, noe som resulterer i tryggere og mer naturlig gange på ulike underlag.

Artikkelen har tittelen “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” Den ble publisert i IEEE Transactions on Automation Science and Engineering.

Tilpasning til ulike underlag

Edgar Lobaton er medforfatter av artikkelen. Han er associate professor i elektroteknikk og datateknikk ved universitetet.

“Robotiske proteser for nedre ekstremiteter må utføre ulike atferder basert på underlaget brukerne går på,” sier Lobaton. “Rammeverket vi har laget tillater AI i robotiske proteser å forutsi typen underlag brukerne kommer til å trå på, kvantifisere usikkerheten forbundet med denne forutsigelsen og deretter inkorporere denne usikkerheten i sin beslutningstakning.”

Forskerne fokuserte på seks ulike underlag, hvor hver av dem krever justeringer i atferden til en robotisk protese. Disse underlagene var flis, betong, murstein, gress, “oppover” og “nedover”.

Boxuan Zhong er hovedforfatter av artikkelen og en ph.d.-kandidat fra NC State.

“Hvis usikkerhetsgraden er for høy, blir AI-en ikke tvunget til å ta en tvilsom beslutning – den kan i stedet varsle brukeren om at den ikke har nok tillit til sin forutsigelse til å handle, eller den kan gå over til en ‘sikker’ modus,” sier Zhong.

Inkorporering av maskinvare- og programvareelementer

Det nye rammeverket avhenger av både maskinvare- og programvareelementer som inkorporeres sammen, og det brukes med enhver type nedre ekstremitets robotisk eksoskjelett eller protese.

En ny del av dette rammeverket er en kamera som et annet maskinvareelement. I studien ble kameraer båret på briller, og de ble plassert på den nedre ekstremitetsprotesen. Forskerne observerte deretter hvordan AI kunne bruke datavisjonsdata fra de to ulike kameraene, først separat og deretter sammen.

Helen Huang er medforfatter av artikkelen. Hun er Jackson Family Distinguished Professor of Biomedical Engineering i det felles avdeling for biomedisinsk ingeniørkunst ved NC State og University of North Carolina at Chapel Hill.

“Inkorporering av datavisjon i kontrollprogramvare for bærbare roboter er et spennende nytt forskningsområde,” sier Huang. “Vi fant ut at bruk av begge kameraer fungerte bra, men krevde mye datakraft og kan være kostnadsprohibert. Men vi fant også ut at bruk av bare kameraet montert på den nedre ekstremiteten fungerte ganske bra – spesielt for korttidsforutsigelser, som hva underlaget ville være som for de neste ett eller to skrittene.”

Ifølge Lobaton er arbeidet anvendbart på enhver type dyp-læringssystem.

“Vi kom opp med en bedre måte å lære dyp-læringssystemer hvordan de skal evaluere og kvantifisere usikkerhet på en måte som tillater systemet å inkorporere usikkerhet i sin beslutningstakning,” sier Lobaton. “Dette er absolutt relevant for robotiske proteser, men vårt arbeid her kan bli anvendt på enhver type dyp-læringssystem.”

Trening av AI-systemet

For å trene AI-systemet, ble kameraer plassert på friske deltakere, som deretter beveget seg gjennom ulike innendørs- og utendørs-miljøer. Neste skritt var å la en person med nedre ekstremitetsamputasjon navigere gjennom de samme miljøene mens de bar kameraer.

“Vi fant ut at modellen kan overføres på en måte som gjør at systemet kan fungere med subjekter fra ulike befolkninger,” sier Lobaton. “Det betyr at AI-en fungerte bra selv om den ble trent av en gruppe mennesker og brukt av noen andre.”

Neste skritt er å teste rammeverket i en robotisk enhet.

“Vi er spente på å inkorporere rammeverket i kontrollsystemet for fungerende robotiske proteser – det er neste skritt,” sier Huang.

Teamet vil også arbeide med å gjøre systemet mer effektivt, ved å kreve mindre visuell datainngang og dataprosessering.