Новий програмний продукт розроблений для покращення роботизованих протезів

Нові програмні продукти були розроблені дослідниками університету штату Північна Кароліна для покращення роботизованих протезів або екзоскелетів. Новий програмний продукт може бути інтегрований з існуючою апаратурою, що призводить до безпечнішого та більш природнього ходьби на різних поверхнях.

Стаття називається “Прогнозування середовищних умов для нижніх кінцівок з кількісним оцінюванням невизначеності.” Вона була опублікована в IEEE Transactions on Automation Science and Engineering.

Адаптація до різних поверхонь

Едгар Лобатон є співавтором статті. Він є асоційованим професором електротехніки та комп’ютерних наук в університеті.

“Роботизовані протези нижніх кінцівок повинні виконувати різні дії залежно від поверхні, по якій користувачі ходять,” каже Лобатон. “Фреймворк, який ми створили, дозволяє штучному інтелекту в роботизованих протезах прогнозувати тип поверхні, на яку користувачі наступатимуть, кількісно оцінювати невизначеність, пов’язану з цим прогнозом, і потім включати цю невизначеність у процес прийняття рішень.”

Дослідники зосередилися на шести різних поверхнях, кожна з яких вимагала коригування поведінки роботизованого протезу. Це були плитка, бетон, цегла, трава, “вгору” і “вниз”.

Боксуан Чжон є головним автором статті і здобув ступінь доктора філософії в університеті NC State.

“Якщо ступінь невизначеності занадто висока, штучний інтелект не змушений приймати сумнівне рішення – він може замість цього повідомити користувача, що в нього недостатньо впевненості в прогнозі, щоб діяти, або перейти в “безпечний” режим,” каже Чжон.

Включення апаратних та програмних елементів

Новий фреймворк залежить від включення апаратних та програмних елементів, і він використовується з будь-яким роботизованим екзоскелетом або роботизованим протезом нижніх кінцівок.

Одна з нових особливостей цього фреймворку – камера як додатковий апаратний елемент. У дослідженні камери були встановлені на окулярах і на нижніх кінцівках протезу. Дослідники спостерігали, як штучний інтелект використовував дані комп’ютерного зору з двох різних типів камер, спочатку окремо, а потім разом.

Гелен Хуанг є співавтором статті. Вона є професором біомедичної інженерії в спільному відділі біомедичної інженерії університету NC State і університету Північної Кароліни в Чапел-Хіллі.

“Включення комп’ютерного зору в програмне забезпечення для контролю носимих роботів – це цікава нова область досліджень,” каже Хуанг. “Ми виявили, що використання обидвох камер працює добре, але вимагає великої кількості обчислювальної потужності і може бути дорогою. Однак ми також виявили, що використання тільки камери, встановленої на нижніх кінцівках протезу, працює досить добре – особливо для короткострокових прогнозів, таких як те, яку поверхню буде наступати користувач за один чи два кроки.”

За словами Лобатона, робота застосовна до будь-якої системи глибокого навчання.

“Ми знайшли кращий спосіб навчити системи глибокого навчання оцінювати і кількісно оцінювати невизначеність таким чином, щоб система могла включати невизначеність у процес прийняття рішень,” каже Лобатон. “Це, безумовно, актуально для роботизованих протезів, але наша робота тут може бути застосована до будь-якої системи глибокого навчання.”

Навчання системи штучного інтелекту

Для навчання системи штучного інтелекту камери були встановлені на здорових учасниках, які потім рухалися різними приміщенними та зовнішніми середовищами. Наступним кроком було те, щоб особа з ампутацією нижніх кінцівок рухалася тими ж середовищами, носивши камери.

“Ми виявили, що модель може бути належним чином перенесена, щоб система могла працювати з учасниками з різних популяцій,” каже Лобатон. “Це означає, що штучний інтелект працював добре, навіть якщо він був навчений однією групою людей і використовувався кимось іншим.”

Наступним кроком є тестування фреймворку на роботизованому пристрої.

“Ми раді включити фреймворк в систему контролю для робочих роботизованих протезів – це наступний крок,” каже Хуанг.

Команда також працюватиме над тим, щоб зробити систему більш ефективною, зменшуючи кількість вхідних даних комп’ютерного зору та обробки даних.