Yeni Yazılım Geliştirildi: Robotik Protezleri İyileştirmek İçin

North Carolina State Üniversitesi’ndeki araştırmacılar tarafından robotik protezler veya ekzoskeletleri geliştirmek için yeni bir yazılım geliştirildi. Yeni yazılım, mevcut donanımla entegre edilebiliyor ve farklı arazilerde daha güvenli ve daha doğal yürüyüş sağlıyor.

Makale “Environmental Context Prediction for Lower Limb Prostheses With Uncertainty Quantification.” başlığını taşıyor ve IEEE Transactions on Automation Science and Engineering dergisinde yayımlandı.

Farklı Araziye Uyum Sağlama

Makalenin ortak yazarlarından biri olan Edgar Lobaton, üniversitede elektrik ve bilgisayar mühendisliği alanında yardımcı doçent.

“Alt ekstremite robotik protezlerin, kullanıcıların yürüdüğü arazilere göre farklı davranışlar gerçekleştirmeleri gerekiyor” diyor Lobaton. “Oluşturduğumuz çerçeve, robotik protezlerdeki yapay zekanın, kullanıcıların adım atacağı arazinin türünü tahmin etmesini, bu tahmine ilişkin belirsizlikleri量ification etmesini ve ardından bu belirsizliği karar alma sürecine dahil etmesini sağlıyor.”

Araştırmacılar, altı farklı arazide odaklandılar ve her biri robotik protezin davranışında ayarlamalar gerektiriyordu. Bunlar fayans, beton, tuğla, çim, “merdiven yukarı” ve “merdiven aşağı” idi.

Makalenin baş yazarı ve NC State’den doktora mezunu Boxuan Zhong.

“Belirsizlik derecesi çok yüksekse, yapay zeka şüpheli bir karar vermeye zorlanmıyor – kullanıcıya yeterli güveni olmadığını bildirebiliyor veya ‘güvenli’ moda geçiş yapabiliyor” diyor Zhong.

Donanım ve Yazılım Unsurlarının Entegrasyonu

Yeni çerçeve, donanım ve yazılım unsurlarının birlikte entegre edilmesine dayanuyor ve herhangi bir alt ekstremite robotik ekzoskelet veya robotik protez cihazı ile kullanılabiliyor.

Bu çerçevenin yeni bir yönü, başka bir donanım parçası olarak bir kamera. Çalışmada, gözlüklerde ve alt ekstremite protezinde kameralar kullanıldı ve araştırmacılar, yapay zekanın iki farklı kameradan bilgisayar görüşü verilerini ayrı ayrı ve birlikte nasıl kullandığını gözlemledi.

Makalenin ortak yazarlarından biri olan Helen Huang, NC State ve Kuzey Carolina Üniversitesi Tıp Fakültesi’nde ortak Biyomedikal Mühendislik Bölümü’nde Jackson Ailesi Üstün Profesörü.

“Taşınabilir robotik için kontrol yazılımlarına bilgisayar görüşünü entegre etmek, heyecan verici bir yeni araştırma alanı” diyor Huang. “Her iki kameranın birlikte çalıştığını, ancak大量 bir hesaplama gücüne ihtiyaç duyduğunu ve maliyetli olabileceğini bulduk. Ancak, yalnızca alt ekstremiteye monte edilmiş kameranın, özellikle yakın vadeli tahminler için, örneğin bir sonraki adımın veya iki adımın arazisinin nasıl olacağı için oldukça iyi çalıştığını da bulduk.”

Lobaton’a göre, bu çalışma, herhangi bir derin öğrenme sistemine uygulanabilir.

“Derin öğrenme sistemlerinin belirsizliği değerlendirmesini ve nicelendirilmesini sağlayarak, sistemin belirsizliği karar alma sürecine dahil etmesini sağlayan daha iyi bir yol geliştirdik” diyor Lobaton. “Bu, kesinlikle robotik protezler için ilgili, ancak burada yaptığımız çalışma, herhangi bir derin öğrenme sistemine uygulanabilir.”

Yapay Zeka Sistemini Eğitme

Yapay zeka sistemini eğitmek için, kameralar, farklı iç ve dış ortamlarda hareket eden able-bodied katılımcılara yerleştirildi. Sonraki adım, bir bacak amputasyonu olan bir kişinin aynı ortamlarda kameraları takarak geçmesi oldu.

“Modelin, farklı popülasyonlardan gelen kişilerle çalışabileceği şekilde transfer edilebileceğini bulduk” diyor Lobaton. “Bu, yapay zekanın bir grup insan tarafından eğitildiğini, ancak farklı bir kişi tarafından kullanıldığında iyi çalıştığını gösteriyor.”

Sonraki adım, çerçeveyi bir robotik cihazda test etmek.

“Çalışan robotik protezlerin kontrol sistemine çerçeveyi entegre etmek için heyecan duyuyoruz – bu, sonraki adım” diyor Huang.

Ekibin ayrıca, sistemi daha verimli hale getirmek için, daha az görsel veri girişi ve veri işleme gerektirmesini sağlamak üzerinde çalışması gerekiyor.