Nowy oprogramowanie opracowane w celu ulepszenia protez i egzoszkieletów roboczych

Naukowcy z Uniwersytetu Stanu Karolina Północnej opracowali nowe oprogramowanie, które ma na celu ulepszenie protez i egzoszkieletów roboczych. Nowe oprogramowanie może być zintegrowane z istniejącym sprzętem, co skutkuje bezpieczniejszym i bardziej naturalnym poruszaniem się po różnych terenach.

Artykuł nosi tytuł “Przewidywanie kontekstu środowiskowego dla protez dolnych kończyn z kwantyfikacją niepewności.” Został opublikowany w IEEE Transactions on Automation Science and Engineering.

Adaptacja do różnych terenów

Edgar Lobaton jest współautorem artykułu. Jest on profesorem nadzwyczajnym inżynierii elektrycznej i komputerowej na uniwersytecie.

“Protezy robocze dolnych kończyn muszą wykonywać różne zachowania w zależności od terenu, po którym poruszają się użytkownicy”, mówi Lobaton. “Ramowy system, który stworzyliśmy, pozwala sztucznej inteligencji w protezach roboczych przewidywać rodzaj terenu, na którym użytkownicy będą stawać, kwantyfikować niepewności związane z tym przewidywaniem i włączać tę niepewność do swojego procesu decyzyjnego”.

Naukowcy skupili się na sześciu różnych terenach, z których każdy wymagał dostosowań w zachowaniu protezy roboczej. Były to: płytki, beton, cegła, trawa, “schody w górę” i “schody w dół”.

Boxuan Zhong jest głównym autorem artykułu i absolwentem studiów doktoranckich na NC State.

“Jeśli stopień niepewności jest zbyt wysoki, sztuczna inteligencja nie jest zmuszona do podejmowania wątpliwych decyzji – może zamiast tego powiadomić użytkownika, że nie ma wystarczającej pewności w swoim przewidywaniu, aby podjąć działanie, lub może przejść do trybu “bezpiecznego””, mówi Zhong.

Włączanie elementów sprzętowych i programowych

Nowy system opiera się na połączeniu elementów sprzętowych i programowych i jest stosowany wraz z każdą protezą roboczą dolnej kończyny lub egzoszkieletem roboczym.

Jednym z nowych aspektów tego systemu jest kamera jako dodatkowy element sprzętowy. W badaniu kamery były noszone na okularach i umieszczane na protezie dolnej kończyny. Następnie naukowcy obserwowali, jak sztuczna inteligencja wykorzystywała dane z kamery w celu wykorzystania danych z widzenia komputera, najpierw oddzielnie, a następnie razem.

Helen Huang jest współautorem artykułu. Jest ona profesorem wybitnym inżynierii biomedycznej w Joint Department of Biomedical Engineering na NC State i Uniwersytecie Karoliny Północnej w Chapel Hill.

“Włączanie widzenia komputera do oprogramowania sterującego dla noszonych robotów jest ekscytującym nowym obszarem badań”, mówi Huang. “Stwierdziliśmy, że korzystanie z obu kamer działało dobrze, ale wymagało dużej mocy obliczeniowej i może być zbyt drogie. Jednak stwierdziliśmy również, że korzystanie tylko z kamery zamontowanej na dolnej kończynie działało całkiem dobrze – szczególnie dla krótkoterminowych przewidywań, takich jak jaki teren będzie w następnym lub dwóch krokach”.

Według Lobatona praca ta ma zastosowanie do każdego systemu głębokiego uczenia.

“Stworzyliśmy lepszy sposób nauczenia systemów głębokiego uczenia, jak oceniać i kwantyfikować niepewność w taki sposób, aby system mógł włączyć niepewność do swojego procesu decyzyjnego”, mówi Lobaton. “To jest z pewnością istotne dla protez roboczych, ale nasza praca tutaj może być zastosowana do każdego systemu głębokiego uczenia”.

Szkolenie systemu sztucznej inteligencji

Aby przeszkolić system sztucznej inteligencji, kamery zostały umieszczone na uczestnikach zdrowych, którzy następnie poruszali się przez różne środowiska wewnętrzne i zewnętrzne. Następnym krokiem było umieszczenie kamery na osobie z amputacją kończyny dolnej, która nosiła kamery.

“Stwierdziliśmy, że model może być odpowiednio przeniesiony, aby system mógł działać z osobami z różnych populacji”, mówi Lobaton. “To oznacza, że sztuczna inteligencja działała dobrze, nawet jeśli była szkolona przez jedną grupę ludzi i używana przez kogoś innego”.

Następnym krokiem jest przetestowanie ramy w urządzeniu roboczym.

“Jesteśmy podekscytowani włączeniem ramy do systemu sterującego dla działających protez roboczych – to jest następny krok”, mówi Huang.

Zespół będzie również pracował nad uczynieniem systemu bardziej wydajnym, wymagającym mniej danych wejściowych i przetwarzania.