Novo Software Desenvolvido para Melhorar Próteses Robóticas

Novo software foi desenvolvido por pesquisadores da Universidade Estadual da Carolina do Norte para melhorar próteses robóticas ou exoesqueletos. O novo software pode ser integrado ao hardware existente, resultando em uma caminhada mais segura e natural em diferentes terrenos.

O artigo é intitulado “Previsão de Contexto Ambiental para Próteses de Membro Inferior com Quantificação de Incerteza.” Foi publicado em IEEE Transactions on Automation Science and Engineering.

Adaptação a Diferentes Terrenos

Edgar Lobaton é coautor do artigo. Ele é professor associado de engenharia elétrica e computacional na universidade.

“Próteses robóticas de membro inferior precisam executar diferentes comportamentos com base no terreno em que os usuários estão caminhando”, diz Lobaton. “A estrutura que criamos permite que o AI nas próteses robóticas preveja o tipo de terreno em que os usuários estarão pisando, quantifique as incertezas associadas a essa previsão e, em seguida, incorpore essa incerteza em sua tomada de decisão.”

Havia seis terrenos diferentes nos quais os pesquisadores se concentraram, cada um exigindo ajustes no comportamento de uma prótese robótica. Eles eram: piso de azulejo, concreto, tijolo, grama, “subindo escadas” e “descendo escadas”.

Boxuan Zhong é o autor principal do artigo e um graduado em Ph.D. da NC State.

“Se o grau de incerteza for muito alto, o AI não é forçado a tomar uma decisão questionável – ele pode, em vez disso, notificar o usuário de que não tem confiança suficiente em sua previsão para agir, ou pode usar um modo ‘seguro'”, diz Zhong.

Incorporação de Elementos de Hardware e Software

A nova estrutura depende da incorporação de elementos de hardware e software juntos e é usada com qualquer exoesqueleto robótico de membro inferior ou dispositivo de prótese robótica.

Um novo aspecto desta estrutura é uma câmera como outro componente de hardware. No estudo, câmeras foram usadas em óculos e colocadas na prótese de membro inferior. Os pesquisadores observaram como o AI foi capaz de usar dados de visão computacional de duas câmeras diferentes, primeiro separadamente e, em seguida, juntas.

Helen Huang é coautora do artigo. Ela é a professora distinta Jackson Family de Engenharia Biomédica no Departamento Conjunto de Engenharia Biomédica da NC State e da Universidade da Carolina do Norte em Chapel Hill.

“Incorporar visão computacional em software de controle para robótica vestível é uma área de pesquisa emocionante e nova”, diz Huang. “Descobrimos que usar ambas as câmeras funcionou bem, mas exigiu uma grande quantidade de poder de processamento e pode ser proibitivo em termos de custo. No entanto, também descobrimos que usar apenas a câmera montada na prótese de membro inferior funcionou razoavelmente bem – especialmente para previsões de curto prazo, como o que o terreno seria como para o próximo passo ou dois.”

De acordo com Lobaton, o trabalho é aplicável a qualquer tipo de sistema de aprendizado profundo.

“Nós criamos uma maneira melhor de ensinar sistemas de aprendizado profundo a avaliar e quantificar a incerteza de uma forma que permite que o sistema incorpore a incerteza em sua tomada de decisão”, diz Lobaton. “Isso é certamente relevante para próteses robóticas, mas nosso trabalho aqui pode ser aplicado a qualquer tipo de sistema de aprendizado profundo.”

Treinamento do Sistema de IA

Para treinar o sistema de IA, as câmeras foram colocadas em participantes sem deficiência, que então se moveram por diferentes ambientes internos e externos. O próximo passo foi ter um indivíduo com amputação de membro inferior navegar pelos mesmos ambientes enquanto usava as câmeras.

“Descobrimos que o modelo pode ser transferido adequadamente para que o sistema possa operar com sujeitos de diferentes populações”, diz Lobaton. “Isso significa que o AI funcionou bem, mesmo tendo sido treinado por um grupo de pessoas e usado por alguém diferente.”

O próximo passo é testar a estrutura em um dispositivo robótico.

“Estamos ansiosos para incorporar a estrutura no sistema de controle para próteses robóticas funcionais – esse é o próximo passo”, diz Huang.

A equipe também trabalhará para tornar o sistema mais eficiente, exigindo menos entrada de dados visuais e processamento de dados.