Ny programvara utvecklad för att förbättra robotiska proteser

Forskare vid North Carolina State University har utvecklat en ny programvara för att förbättra robotiska proteser eller exoskelett. Den nya programvaran kan integreras med befintlig hårdvara, vilket resulterar i säkrare och mer naturlig gång på olika underlag.

Arbetet är publicerat i en artikel med titeln “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” som publicerats i IEEE Transactions on Automation Science and Engineering.

Anpassning till olika underlag

Edgar Lobaton är medförfattare till artikeln. Han är biträdande professor i elektroteknik och datorteknik vid universitetet.

“Robotiska proteser för nedre extremiteter måste utföra olika beteenden beroende på underlaget som användarna går på”, säger Lobaton. “Ramverket vi har skapat tillåter AI i robotiska proteser att förutsäga typen av underlag som användarna kommer att stiga på, kvantifiera osäkerheterna som är förknippade med den förutsägelsen och sedan införliva den osäkerheten i sitt beslutsfattande.”

Forskarna fokuserade på sex olika underlag, var och ett krävde justeringar i beteendet hos en robotisk protes. Underlagen var kakel, betong, tegel, gräs, “upp för trappan” och “ner för trappan”.

Boxuan Zhong är huvudförfattare till artikeln och en doktorsexamen från NC State.

“Om osäkerhetsgraden är för hög, tvingas inte AI att fatta ett tvivelaktigt beslut – den kan istället meddela användaren att den inte har tillräckligt med förtroende för sin förutsägelse för att agera, eller så kan den växla till en ‘säker’ läge”, säger Zhong.

Inkorporering av hårdvara och programvara

Det nya ramverket bygger på både hårdvara och programvara som är inkorporerade tillsammans, och det används med alla typer av robotiska exoskelett eller proteser för nedre extremiteter.

En ny aspekt av detta ramverk är en kamera som en annan del av hårdvaran. I studien bars kameror på glasögon och de placerades på protesen för nedre extremiteten. Forskarna observerade sedan hur AI kunde använda datavisionsdata från de två olika typerna av kameror, först var för sig och sedan tillsammans.

Helen Huang är medförfattare till artikeln. Hon är Jackson Family Distinguished Professor of Biomedical Engineering i det gemensamma institutionen för biomedicinsk teknik vid NC State och University of North Carolina at Chapel Hill.

“Att inkorporera datavision i kontrollprogramvara för bärbara robotar är ett spännande nytt område för forskning”, säger Huang. “Vi fann att användning av båda kamerorna fungerade bra, men krävde en hel del beräkningskraft och kan vara kostsamt. Men vi fann också att användning av endast kameran monterad på protesen fungerade ganska bra – särskilt för nära framtida förutsägelser, såsom vad underlaget skulle vara som för nästa steg eller två.”

Enligt Lobaton är arbetet tillämpligt på alla typer av djupinlärningssystem.

“Vi kom på ett bättre sätt att lära djupinlärningssystem hur man utvärderar och kvantifierar osäkerhet på ett sätt som tillåter systemet att inkorporera osäkerhet i sitt beslutsfattande”, säger Lobaton. “Detta är säkert relevant för robotiska proteser, men vårt arbete här kan appliceras på alla typer av djupinlärningssystem.”

Träning av AI-systemet

För att träna AI-systemet placerades kameror på friska deltagare, som sedan rörde sig genom olika inomhus- och utomhusmiljöer. Nästa steg var att ha en person med amputation av nedre extremitet navigera genom samma miljöer medan de bar kamerorna.

“Vi fann att modellen kan överföras på lämpligt sätt så att systemet kan fungera med ämnen från olika populationer”, säger Lobaton. “Det betyder att AI fungerade bra även om den tränades av en grupp människor och användes av någon annan.”

Nästa steg är att testa ramverket i en robotenhet.

“Vi är glada att inkorporera ramverket i kontrollsystemet för fungerande robotiska proteser – det är nästa steg”, säger Huang.

Teamet kommer också att arbeta med att göra systemet mer effektivt, genom att kräva mindre visuell datainmatning och datorkraft.