Новая программа разработана для улучшения роботизированных протезов

Исследователи из Университета Северной Каролины разработали новую программу для улучшения роботизированных протезов или экзоскелетов. Новая программа может быть интегрирована с существующим оборудованием, что приводит к более безопасной и естественной ходьбе на разных поверхностях.

Статья озаглавлена “Прогнозирование окружающей среды для протезов нижних конечностей с количественной оценкой неопределенности.” Она была опубликована в IEEE Transactions on Automation Science and Engineering.

Адаптация к разным поверхностям

Эдгар Лобатон является соавтором статьи. Он является доцентом электротехники и компьютерных наук в университете.

“Роботизированные протезы нижних конечностей должны выполнять разные действия в зависимости от поверхности, по которой пользователи ходят”, – говорит Лобатон. “Фреймворк, который мы создали, позволяет ИИ в роботизированных протезах предсказывать тип поверхности, на которую пользователи будут ступать, количественно оценивать неопределенности, связанные с этим прогнозом, и затем включать эту неопределенность в процесс принятия решений.”

Исследователи сосредоточились на шести разных поверхностях, каждая из которых требует корректировки поведения роботизированного протеза. Это были плитка, бетон, кирпич, трава, “лестница вверх” и “лестница вниз”.

Боксюань Чжонг является основным автором статьи и доктором философии в Университете Северной Каролины.

“Если степень неопределенности слишком высока, ИИ не вынужден принимать сомнительное решение – он может вместо этого уведомить пользователя, что ему не хватает уверенности в своем прогнозе, чтобы действовать, или он может перейти в ‘безопасный’ режим”, – говорит Чжонг.

Включение аппаратных и программных элементов

Новая структура зависит от включения как аппаратных, так и программных элементов, и она используется с любым роботизированным экзоскелетом или роботизированным протезом нижних конечностей.

Одной из новых особенностей этой структуры является камера в качестве дополнительного аппаратного элемента. В исследовании камеры были установлены на очках и на нижней конечности протеза. Исследователи затем наблюдали, как ИИ использует данные компьютерного зрения из двух разных типов камер, сначала отдельно, а затем вместе.

Хелен Хуанг является соавтором статьи. Она является профессором биомедицинской инженерии в совместном отделении биомедицинской инженерии Университета Северной Каролины и Университета Северной Каролины в Чапел-Хилле.

“Включение компьютерного зрения в программное обеспечение для управления носимыми роботами – это интересная новая область исследований”, – говорит Хуанг. “Мы обнаружили, что использование обеих камер работает хорошо, но требует большого количества вычислительной мощности и может быть дорого. Однако мы также обнаружили, что использование только камеры, установленной на нижней конечности, работает довольно хорошо – особенно для прогнозов на ближайшее будущее, таких как тип поверхности, на которой пользователь будет ступать в течение следующих одного или двух шагов.”

По словам Лобатона, работа применима к любой системе глубокого обучения.

“Мы разработали лучший способ обучать системы глубокого обучения оценивать и количественно определять неопределенность, что позволяет системе включать неопределенность в процесс принятия решений”, – говорит Лобатон. “Это, безусловно, актуально для роботизированных протезов, но наша работа здесь может быть применена к любой системе глубокого обучения.”

Обучение системы ИИ

Для обучения системы ИИ камеры были установлены на участниках с сохранными конечностями, которые затем перемещались через разные внутренние и внешние среды. Следующий шаг заключался в том, чтобы человек с ампутацией нижней конечности перемещался через те же среды, носив камеры.

“Мы обнаружили, что модель может быть правильно перенесена, чтобы система могла работать с пользователями из разных популяций”, – говорит Лобатон. “Это означает, что ИИ работал хорошо, даже если он был обучен одной группой людей и использовался кем-то другим.”

Следующий шаг – протестировать структуру в роботизированном устройстве.

“Мы рады включить структуру в систему управления для работающих роботизированных протезов – это следующий шаг”, – говорит Хуанг.

Команда также будет работать над тем, чтобы сделать систему более эффективной, требуя меньше входных данных и обработки.