ซอฟต์แวร์ใหม่พัฒนาเพื่อปรับปรุงข้อเทียมกล

นักวิจัยจากมหาวิทยาลัยแห่งรัฐนอร์ทแคโรไลนาได้พัฒนาซอฟต์แวร์ใหม่เพื่อปรับปรุงข้อเทียมกลหรือเอ็กซ์โกสเกเลตัน ซอฟต์แวร์ใหม่นี้สามารถรวมเข้ากับฮาร์ดแวร์ที่มีอยู่แล้ว ทำให้การเดินบนพื้นผิวต่างๆ มีความปลอดภัยและเป็นธรรมชาติมากขึ้น

บทความนี้มีชื่อว่า “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” และได้รับการตีพิมพ์ใน IEEE Transactions on Automation Science and Engineering.

การปรับตัวให้เข้ากับพื้นผิวต่างๆ

เอ็ดการ์ โลบาตอน เป็นหนึ่งในผู้เขียนร่วมของบทความนี้ และเป็นรองศาสตราจารย์สาขาวิศวกรรมไฟฟ้าและคอมพิวเตอร์ที่มหาวิทยาลัย

“ข้อเทียมกลสำหรับขา cầnต้องมีพฤติกรรมที่แตกต่างกันตามพื้นผิวที่ผู้ใช้กำลังเดินอยู่” โลบาตอนกล่าว “เฟรมเวิร์กที่เราสร้างขึ้นช่วยให้ AI ในข้อเทียมกลสามารถคาดการณ์ประเภทของพื้นผิวที่ผู้ใช้จะเหยียบลงไป และ量化ความไม่แน่นอนของการคาดการณ์นั้น จากนั้นจึงรวมความไม่แน่นอนนั้นเข้ากับการตัดสินใจ”

นักวิจัยได้เน้นไปที่พื้นผิว 6 ประเภทที่ต้องการการปรับเปลี่ยนพฤติกรรมของข้อเทียมกล ซึ่งได้แก่ พื้นกระเบื้อง พื้นคอนกรีต พื้นอิฐ พื้นหญ้า “ขึ้นบันได” และ “ลงบันได”

บัวซวน จง เป็นหนึ่งในผู้เขียนร่วมของบทความนี้และเป็นนักศึกษาระดับ博士จาก NC State

“หากระดับความไม่แน่นอนสูงเกินไป AI จะไม่ถูกบังคับให้ตัดสินใจที่น่าสงสัย มันสามารถแจ้งให้ผู้ใช้รู้ว่ามันไม่มีความมั่นใจในการคาดการณ์เพียงพอในการดำเนินการ หรือมันสามารถใช้โหมด ‘ปลอดภัย’ โดยอัตโนมัติ” จงกล่าว

การรวมฮาร์ดแวร์และซอฟต์แวร์

เฟรมเวิร์กใหม่นี้ขึ้นอยู่กับการรวมฮาร์ดแวร์และซอฟต์แวร์เข้าด้วยกัน และสามารถใช้กับข้อเทียมกลหรือเอ็กซ์โกสเกเลตันสำหรับขาที่มีอยู่แล้ว

สิ่งใหม่ของเฟรมเวิร์กนี้คือการใช้กล้องเป็นอีกหนึ่งอุปกรณ์ฮาร์ดแวร์ ในการศึกษาครั้งนี้ กล้องถูกสวมบนแว่นตาและติดไว้ที่ข้อเทียมกล นักวิจัยได้สังเกตว่า AI สามารถใช้ข้อมูลการมองเห็นจากกล้องสองแบบที่แตกต่างกัน โดยใช้กล้องแยกกันและใช้ร่วมกัน

เฮเลน หวง เป็นหนึ่งในผู้เขียนร่วมของบทความนี้และเป็นศาสตราจารย์ด้านวิศวกรรมชีวการแพทย์ที่มหาวิทยาลัย NC State และมหาวิทยาลัยแห่งรัฐนอร์ทแคโรไลนา

“การรวมการมองเห็นคอมพิวเตอร์เข้ากับซอฟต์แวร์ควบคุมสำหรับหุ่นยนต์ที่สวมใส่นั้นเป็นหนึ่งในสาขาวิจัยใหม่ที่น่าตื่นเต้น” หวงกล่าว “เราพบว่าการใช้กล้องทั้งสองแบบนั้นใช้ได้ดี แต่ต้องการพลังการประมวลผลที่มากและอาจมีค่าใช้จ่ายสูง อย่างไรก็ตาม เรายังพบว่าการใช้กล้องที่ติดไว้ที่ข้อเทียมกลนั้นใช้ได้ดี โดยเฉพาะสำหรับการคาดการณ์ในระยะสั้น เช่น พื้นผิวที่จะเหยียบลงไปในสองสามก้าวข้างหน้า”

ตามที่โลบาตอนกล่าว การทำงานนี้สามารถใช้กับระบบการเรียนรู้ลึกใดๆ

“เราพัฒนาวิธีการสอนระบบการเรียนรู้ลึกให้สามารถประเมินและ量化ความไม่แน่นอนได้ดีขึ้น ซึ่งช่วยให้ระบบสามารถรวมความไม่แน่นอนเข้ากับการตัดสินใจได้” โลบาตอนกล่าว “สิ่งนี้มีความเกี่ยวข้องสำหรับข้อเทียมกล แต่การทำงานของเรานี้สามารถใช้กับระบบการเรียนรู้ลึกใดๆ ได้”

การฝึกอบรมระบบ AI

ในการฝึกอบรมระบบ AI กล้องถูกติดไว้ที่ผู้เข้าร่วมที่มีสุขภาพดี ซึ่งจากนั้นจึงเคลื่อนที่ผ่านสภาพแวดล้อมในร่มและกลางแจ้ง ต่อไปคือการให้ผู้ที่มีข้อเทียมกลเดินผ่านสภาพแวดล้อมเดียวกันโดยสวมกล้อง

“เราพบว่าโมเดลสามารถถ่ายโอนได้อย่างเหมาะสม เพื่อให้ระบบสามารถทำงานกับผู้ใช้จากประชากรที่แตกต่างกัน” โลบาตอนกล่าว “หมายความว่า AI ทำงานได้ดีแม้ว่าจะถูกฝึกอบรมโดยกลุ่มคนหนึ่งและใช้โดยคนอื่น”

ขั้นตอนต่อไปคือการทดสอบเฟรมเวิร์กในอุปกรณ์หุ่นยนต์

“เราตื่นเต้นที่จะรวมเฟรมเวิร์กเข้ากับระบบควบคุมสำหรับข้อเทียมกลที่ทำงาน — ซึ่งเป็นขั้นตอนต่อไป” หวงกล่าว

ทีมงานจะทำงานเพื่อทำให้ระบบมีประสิทธิภาพมากขึ้น โดยต้องการข้อมูลการมองเห็นและข้อมูลประมวลผลที่น้อยลง