Human-in-the-loop optimering forbedrer funktionen af ​​blød, bærbare robotter

Når det kommer til blød, hjælpemidler – som exosuitet, der er designet af Harvard Biodesign Lab – skal bæreren og robotten være synkroniseret. Men hvert menneske bevæger sig lidt forskelligt, og at skræddersy robottens parametre til den enkelte bruger er en tidskrævende og ineffektiv proces.

Nu, forskere fra Harvard John A. Paulson School of Engineering and Applied and Sciences (SEAS) og Wyss Institute for Biologically Inspired Engineering har udviklet en effektiv maskinlæringsalgoritme, der hurtigt kan skræddersy personaliserede kontrolstrategier til bløde, bærbare exosuits.

Forskningen er beskrevet i Videnskab robotik .

"Denne nye metode er en effektiv og hurtig måde at optimere kontrolparameterindstillinger for bærbare hjælpeenheder, " sagde Ye Ding, postdoc ved SEAS og medførsteforfatter af forskningen. "Ved brug af denne metode, vi opnåede en enorm forbedring i metabolisk ydeevne for bærere af et hofteforlængelse hjælpemiddel."

Når mennesker går, vi justerer konstant, hvordan vi bevæger os for at spare energi (også kendt som metaboliske omkostninger).

"Før, hvis du havde tre forskellige brugere, der gik med hjælpemidler, du har brug for tre forskellige bistandsstrategier, " sagde Myunghee Kim, en postdoc-forsker ved SEAS og medførsteforfatter af papiret. "Det plejede at være svært at finde de rigtige kontrolparametre for hver enkelt bærer. trin-for-trin proces, fordi ikke kun alle mennesker går lidt forskelligt, men de eksperimenter, der kræves for at justere parametre manuelt, er komplicerede og tidskrævende."

Forskerne, ledet af Conor Walsh, John L. Loeb lektor i ingeniørvidenskab og anvendt videnskab, og Scott Kuindersma, Adjunkt i ingeniørvidenskab og datalogi ved SEAS, udviklet en algoritme, der kan skære igennem denne variabilitet og hurtigt identificere de bedste kontrolparametre, der fungerer bedst til at minimere gangtiden.

Forskerne brugte såkaldt human-in-the-loop-optimering, som bruger realtidsmålinger af menneskelige fysiologiske signaler, såsom vejrtrækningsfrekvens, for at justere enhedens kontrolparametre. Da algoritmen finpudsede de bedste parametre, den instruerede exosuiten om, hvornår og hvor den skulle levere sin hjælpekraft for at forbedre hofteforlængelsen. Den Bayesianske optimeringstilgang, der blev brugt af teamet, blev først rapporteret i et papir sidste år i PLOSone.

Kombinationen af ​​algoritmen og dragten reducerede de metaboliske omkostninger med 17,4 procent sammenlignet med at gå uden enheden. Dette var en forbedring på mere end 60 procent i forhold til teamets tidligere arbejde.

"Optimerings- og indlæringsalgoritmer vil have en stor indflydelse på fremtidige bærbare robotenheder designet til at hjælpe en række adfærdsmønstre, " sagde Kuindersma. "Disse resultater viser, at optimering af selv meget simple controllere kan give en betydelig, individualiseret fordel for brugerne, mens de går. At udvide disse ideer til at overveje mere udtryksfulde kontrolstrategier og mennesker med forskellige behov og evner vil være et spændende næste skridt."

"Med bærbare robotter som bløde exosuits, det er afgørende, at den rigtige assistance leveres på det rigtige tidspunkt, så de kan arbejde synergistisk med bæreren, " sagde Walsh. "Med disse online optimeringsalgoritmer, systemer kan lære, hvordan man opnår dette automatisk på omkring tyve minutter, dermed maksimerer fordelen for bæreren."

Næste, holdet sigter mod at anvende optimeringen på en mere kompleks enhed, der hjælper flere led, såsom hofte og ankel, på samme tid.

"I denne avis, vi demonstrerede en høj reduktion i metaboliske omkostninger ved blot at optimere hofteforlængelsen, " sagde Ding. "Dette viser, hvad du kan gøre med en fantastisk hjerne og fantastisk hardware."