Denne robot hjælper dig med at løfte genstande – ved at se på dine biceps

Vi mennesker er rigtig gode til at samarbejde. For eksempel, når to mennesker arbejder sammen om at bære en tung genstand som et bord eller en sofa, de har en tendens til instinktivt at koordinere deres bevægelser, konstant omkalibrering for at sikre, at deres hænder er i samme højde som den anden persons. Vores naturlige evne til at foretage disse typer justeringer giver os mulighed for at samarbejde om store og små opgaver.

Men en computer eller en robot kan stadig ikke følge et menneskes spor med lethed. Vi programmerer dem normalt enten eksplicit ved hjælp af maskintale, eller træne dem til at forstå vores ord, à la virtuelle assistenter som Siri eller Alexa.

I modsætning, forskere ved MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) viste for nylig, at et smidigere robot-menneske-samarbejde er muligt gennem et nyt system, de udviklede, hvor maskiner hjælper folk med at løfte genstande ved at overvåge deres muskelbevægelser.

Døbt RoboRaise, systemet involverer at sætte elektromyografi (EMG) sensorer på en brugers biceps og triceps for at overvåge muskelaktivitet. Dens algoritmer registrerer derefter løbende ændringer i personens armniveau, samt diskrete op-og-ned-håndbevægelser, som brugeren kan foretage for finere motorstyring.

Teamet brugte systemet til en række opgaver, der involverede afhentning og samling af mock flykomponenter. I eksperimenter, brugere arbejdede på disse opgaver med robotten og var i stand til at styre den til inden for et par centimeter af de ønskede højder ved at løfte og derefter spænde deres arm. Det var mere præcist, når bevægelser blev brugt, og robotten reagerede korrekt på omkring 70 procent af alle bevægelser.

Kandidatstuderende Joseph DelPreto siger, at han kunne forestille sig folk, der bruger RoboRaise til at hjælpe med fremstilling og konstruktion, eller endda som assistent rundt i huset.

"Vores tilgang til at løfte genstande med en robot har til formål at være intuitiv og lig, hvordan man kan løfte noget med en anden person - groft kopiere hinandens bevægelser, mens man udleder nyttige justeringer, " siger DelPreto, hovedforfatter på et nyt papir om projektet med MIT-professor og CSAIL-direktør Daniela Rus. "Nøgleindsigten er at bruge nonverbale signaler, der koder instruktioner til, hvordan man koordinerer, for eksempel at løfte lidt højere eller lavere. At bruge muskelsignaler til at kommunikere gør næsten robotten til en forlængelse af dig selv, som du flydende kan kontrollere."

Projektet bygger på holdets eksisterende system, der giver brugerne mulighed for øjeblikkeligt at rette robotfejl med hjernebølger og håndbevægelser, nu muliggør kontinuerlig bevægelse på en mere kollaborativ måde. "Vi sigter mod at udvikle menneske-robot-interaktion, hvor robotten tilpasser sig mennesket, frem for omvendt. På denne måde bliver robotten et intelligent værktøj til fysisk arbejde, "siger Rus.

EMG-signaler kan være vanskelige at arbejde med:De er ofte meget støjende, og det kan være svært at forudsige præcis, hvordan et lem bevæger sig baseret på muskelaktivitet. Selvom du kan vurdere, hvordan en person bevæger sig, hvordan du ønsker, at robotten selv skal reagere, kan være uklart.

RoboRaise kommer uden om dette ved at sætte mennesket i kontrol. Teamets system bruger ikke -invasiv, on-body sensorer, der registrerer affyring af neuroner, når du spænder eller slapper af musklerne. Brug af wearables omgår også problemer med okklusioner eller omgivende støj, som kan komplicere opgaver, der involverer syn eller tale.

RoboRaises algoritme behandler derefter biceps-aktivitet for at vurdere, hvordan personens arm bevæger sig, så robotten groft kan efterligne den, og personen kan spænde lidt eller slappe af i armen for at flytte robotten op eller ned. Hvis en bruger har brug for, at robotten bevæger sig længere væk fra deres egen position eller holder en stilling i et stykke tid, de kan bare gestikulere op eller ned for bedre kontrol; et neuralt netværk registrerer disse bevægelser til enhver tid baseret på biceps- og triceps-aktivitet.

En ny bruger kan begynde at bruge systemet meget hurtigt, med minimal kalibrering. Efter at have sat sensorerne på, de skal bare spænde og slappe af i armen et par gange og derefter løfte en let vægt til et par højder. Det neurale netværk, der registrerer gestus, trænes kun i data fra tidligere brugere.

Teamet testede systemet med 10 brugere gennem en serie på tre løfteksperimenter:et hvor robotten slet ikke bevægede sig, en anden hvor robotten bevægede sig som reaktion på deres muskler, men ikke hjalp med at løfte objektet, og en tredje, hvor robotten og personen løftede en genstand sammen.

Når personen havde feedback fra robotten – når de kunne se den bevæge sig, eller når de løftede noget sammen – var den opnåede højde betydeligt mere nøjagtig sammenlignet med ingen feedback.

Teamet testede også RoboRaise på montageopgaver, såsom at løfte en gummiplade på en basisstruktur. Det var i stand til med succes at løfte både stive og fleksible objekter på baserne. RoboRaise blev implementeret på holdets Baxter humanoid robot, men holdet siger, at det kunne tilpasses til enhver robotplatform.

I fremtiden, holdet håber, at tilføjelse af flere muskler eller forskellige typer sensorer til systemet vil øge frihedsgrader, med det ultimative mål at udføre endnu mere komplekse opgaver. Signaler som anstrengelse eller træthed fra muskelaktivitet kan også hjælpe robotter med at yde mere intuitiv assistance. Holdet testede en version af systemet, der bruger biceps- og triceps-niveauer til at fortælle robotten, hvor stivt personen holder sin ende af objektet; sammen, mennesket og maskinen kunne flydende trække en genstand rundt eller stift trække den stramt.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.