Laura Petrich, doktorand i robotik och maskinlärning – Intervjuserie

Laura är för närvarande doktorand i datavetenskap under handledning av Dr. Patrick Pilarski och Dr. Matthew E. Taylor. Hon tog en kandidatexamen med hedersbetygelse i datavetenskap från University of Alberta 2019 och en masterexamen i datavetenskap från University of Alberta 2022. Hennes forskningsintressen omfattar förstärkt lärande, mänsklig-robotinteraktion, biomekatronik och assisterad robotik. Med inspiration från hennes anatomiska studier med Dr. Pierre Lemelin syftar Lauras forskning till att utveckla kontrollmetoder för robotmanipulering med målet att öka funktionalitet, användbarhet, tillförlitlighet och säkerhet i den verkliga världen.

Vi satte oss ner för en intervju på den årliga 2023 Upper Bound-konferensen om AI som hålls i Edmonton, AB och arrangeras av Amii (Alberta Machine Intelligence Institute).

Vad var det som initialt drog dig till datavetenskap?

Så, när jag började skolan, ville jag faktiskt bli läkare till en början. Och balans mellan arbete och fritid är mycket viktigt för mig, så jag kunde tillbringa mycket tid med min familj. Och jag har alltid velat hjälpa människor, och jag hamnade i en datavetenskapskurs under mitt första år på universitetet, och det kändes som ett sådant fantastiskt verktyg som man kunde använda för att lösa problem. Och jag blev helt förälskad i problemlösning och bestämde mig för att jag ville arbeta inom området assisterad teknik, där jag kunde använda min problemlösning för att hjälpa människor.

Hur kom du fram till att assisterad teknik var din passion att gå in i?

Jag tog en robotikkurs under min grundutbildning, och det var där vi använde Lego Mindstorm-kits för att lära oss grunderna i mekatronik och robotik. Och allt föll på plats, det var så roligt att arbeta med, och man kunde skriva program och sedan omedelbart se resultaten. Så, det var logiskt att kombinera min kärlek till att arbeta med dessa robotiska system med min önskan att hjälpa människor. Assisterad teknik passar exakt in i det området.

Kan du definiera mekatronik för vår publik?

Det skulle vara allt inom robotiksfären där man har dessa hårdvarusystem, och man kan kontrollera dem för att förändra omgivningen.

Vilka är några av de olika användningsfall du har arbetat med för den tekniken?

Just nu arbetar jag i BLINC Lab (Bionic Limbs for Improved Natural Control) med Patrick (Pilarski), och det primära användningsfallet där är att jag arbetar med överkroppsproteser. Så, vi har dessa smarta robotiska enheter som kan kontrolleras via myoelektriska signaler, och det primära användningsfallet är hur vi kan kontrollera dessa proteser som är fästa vid den mänskliga kroppen för att göra vad användaren vill.

Hur länge har du arbetat med det specifikt?

Jag började min doktorsexamen i januari. Jag gjorde min master i robotik och datorseende-gruppen vid University of Alberta, där jag arbetade med robotmanipulering med robotarmar.

Jag är bara nu på väg in i världen av proteser.

Vilka säkerhetsproblem ser du med tekniken just nu?

Med dessa smarta protesenheter, sätter vi alltid säkerheten främst. Det är alltid vad vi tänker på först, eftersom dessa enheter är fästa vid en människa. Så, till slut har den mänskliga användaren alltid full kontroll. Vi kan ge förslag till användaren, säga “Jag tror att du vill göra detta”, men de har alltid den slutliga kontrollen över vad som händer. Så, vi tänker alltid på säkerheten för den individ som kommer att använda dessa enheter.

I en tidigare intervju, pratade Patrick om hur hjärnan vanligtvis måste lära sig att anpassa sig till enheten, men i det här fallet använder enheten maskinlärning för att anpassa sig till hjärnan. Kan du diskutera dina synpunkter på det?

Ja. Så, vi vill bygga kontinuerliga lärandesystem för att köra på dessa enheter. Så, det handlar allt om att mappa signalerna från användaren, som i vårt fall skulle vara EMG-signalerna. Så, yta-EMG, du sätter elektroder på den enskilda persons återstående muskler som de har, och sedan vad gör du med dessa ingångssignaler? Så, vi vill mappa dem till robotrörelse, rätt? Vill du ha handen öppen? Vill du ha handen stängd? Först måste vi bestämma hur vi löser det här mappningsproblemet, och det är där maskinlärning kommer in i bilden.

Du har mönsterigenkänningsystem, så vi kan förutsäga vad som händer med den specifika muskelaktiveringen. Vi vill att det ska lära sig kontinuerligt och anpassa sig över tid. Du kan tänka dig att, säg, dina muskler just nu. Om du skulle gå till gymmet, förändras din muskelform. Så, måste vi nu helt träna en ny maskinlärningsmodell? Nej. Vi vill att enheten och maskinlärningskomponenterna ska anpassa sig till personen över tid medan de genomgår förändringar eller medan deras avsikt förändras.

Vilken tidsram tror du att det kommer att ta innan vi ser dessa ute i den verkliga världen?

Jag hoppas att det kommer att ske under min doktorsexamen. Det är mitt mål att lösa det här kontrollproblemet för överkroppsproteser.

Det skulle vara fantastiskt. Och vad är din vision för framtiden för assisterad robotik, säg inom en 10-årsperiod eller 20-årsperiod?

Jag ser en värld där individer som vill ha en protes för att använda i sin vardag skulle kunna använda den på samma sätt som vi använder våra armar. Så, att göra den tillförlitlig, intuitiv, lätt att använda, det är vad jag vill ha.

Och ser du en personlig framtid där en mindre person skulle ha en mindre protes? Eller tror du att de alla skulle vara likadana?

Nej, absolut. Jag tror att för något så personligt som detta, vill man att dessa enheter ska kännas som en förlängning av den egna kroppen. Rätt? Man vill att det ska vara en del av en. Så, det leder oss till personlig och individualiserad hälsovård. Dessa proteser måste formas och anpassas till den individ som ska använda dem, åtminstone enligt min åsikt. Vi ser redan detta. Just nu, när du går till, säg, Glenrose Rehabilitation Hospital här i Edmonton, och du får en ny protes, tar de 3D-modeller av din återstående lem, och de anpassar den till din protes. Så, vi ser redan detta hända, och för dessa smarta enheter kommer det att bli ännu mer.

Så, kommer det att vara anpassat med 3D-skrivare, förmodligen, för användaren.

Ja, anpassat med 3D-skrivare, anpassad passform, och sedan anpassade och personliga kontrollsystem också.

Och hur lång tid tar det för en användare att lära sig att använda ett av dessa system?

Vårt mål är att vi skulle kunna träna en mer generaliserad maskinlärningsmodell, och sedan kunna individualisera den till personen inom en 5-10 minuters träningsession. Det skulle vara ett mål för oss.

När du har uppnått detta, vad vill du arbeta med härnäst?

En stor del av min forskning handlar också om att arbeta med anatomiska avdelningen vid University of Alberta, och jag är helt fascinerad av hur vi, som människor, manipulerar världen runt oss. Allt som har att göra med den mänskliga överkroppen, såsom armarna och händerna, är helt fascinerande. Så, jag vill fokusera alla mina ansträngningar på överkroppsproteser och verkligen göra dessa enheter användbara för människor i den verkliga världen.

På vilka sätt är det mer utmanande än underkroppen?

Underkroppen, rörelsen är mycket repetitiv. Om du tänker på vår gång, är det ett lättare kontrollproblem att lösa. Medan, för överkroppen, behöver man kunna manipulera föremål i 3D-utrymme, man har så många fler frihetsgrader. Om du tänker på det, om vi stänger ögonen och känner runt, kan vi fortfarande se världen runt oss genom våra händer. Så, vi har dessa fantastiska sensoriska organ som vi kan använda för att utforska omgivningen. Så, att kunna ge tillbaka det till det medicinska samfundet genom proteser, tror jag, vore fantastiskt.

Kan du dela hur du hämtar inspiration från anatomiska studier

Jag har arbetat med Dr. Pierre Lemelin i anatomiska avdelningen vid University of Alberta under de senaste fem åren. Jag hoppas att genom studier av mänsklig anatomi och förståelse av exakt hur vi manipulerar föremål i omgivningen, vad är våra nervbanor, vilka muskler aktiveras, kan vi använda den kunskapen för att inte bara förbättra, först och främst, strukturen på proteser.

Finns det små platser i den faktiska designen av protesen som vi kan ändra som skulle vara en liten justering i mekanisk design, men se en stor ökning av funktion? Men också, de underliggande kontrollsystemen, hur vi använder dem. Om vi kan förstå exakt vilka nerver som aktiveras, när vi tänker “Öppna min hand”, kan vi sedan använda det för att förutsäga vad användaren vill göra med sin protes och sedan utföra den rörelsen i den robotiska enheten. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka följande resurser:

• Dr. Patrick M. Pilarski – Unite.AI Intervju
• BLINC Lab (Bionic Limbs for Improved Natural Control))
• Upper Bound AI-konferens.
• Amii (Alberta Machine Intelligence Institute)