science >> Wetenschap >  >> Elektronica

Human-in-the-loop optimalisatie verbetert de functie van zachte, draagbare robots

Onderzoekers van Harvard hebben een efficiënt algoritme voor machine learning ontwikkeld dat snel gepersonaliseerde besturingsstrategieën kan aanpassen voor zachte, draagbare exosuits, de prestaties van het apparaat aanzienlijk verbeteren. Krediet:Seth Kroll/Wyss Institute

Als het om zacht gaat, hulpmiddelen - zoals het exosuit dat wordt ontworpen door het Harvard Biodesign Lab - moeten de drager en de robot synchroon lopen. Maar elk mens beweegt een beetje anders en het afstemmen van de parameters van de robot op een individuele gebruiker is een tijdrovend en inefficiënt proces.

Nutsvoorzieningen, onderzoekers van de Harvard John A. Paulson School of Engineering and Applied and Sciences (SEAS) en het Wyss Institute for Biologically Inspired Engineering hebben een efficiënt algoritme voor machine learning ontwikkeld dat snel gepersonaliseerde besturingsstrategieën kan aanpassen voor zachte, draagbare exosuits.

Het onderzoek is beschreven in Wetenschap Robotica .

"Deze nieuwe methode is een effectieve en snelle manier om de instellingen van regelparameters voor draagbare draagbare apparaten te optimaliseren, " zei Ye Ding, een postdoctoraal onderzoeker bij SEAS en co-eerste auteur van het onderzoek. "Met deze methode we bereikten een enorme verbetering in metabolische prestaties voor de dragers van een hulpmiddel voor heupextensie."

Als mensen lopen, we passen voortdurend onze manier van bewegen aan om energie te besparen (ook bekend als metabole kosten).

"Voordat, als u drie verschillende gebruikers had die met hulpmiddelen liepen, je zou drie verschillende hulpstrategieën nodig hebben, " zei Myunghee Kim, een postdoctoraal onderzoeker bij SEAS en co-eerste auteur van het papier. "Het vinden van de juiste controleparameters voor elke drager was vroeger een moeilijke, stapsgewijs proces omdat niet alleen alle mensen een beetje anders lopen, maar de experimenten die nodig zijn om parameters handmatig af te stemmen, zijn ingewikkeld en tijdrovend"

Onderzoekers van Harvard hebben een efficiënt algoritme voor machine learning ontwikkeld dat snel gepersonaliseerde besturingsstrategieën kan aanpassen voor zachte, draagbare exosuits, de prestaties van het apparaat aanzienlijk verbeteren. Krediet:Ye Ding/Harvard SEAS

De onderzoekers, onder leiding van Conor Walsh, de John L. Loeb universitair hoofddocent techniek en toegepaste wetenschappen, en Scott Kuindersma, Universitair docent Engineering en Computerwetenschappen bij SEAS, ontwikkelde een algoritme dat die variabiliteit kan doorbreken en snel de beste controleparameters kan identificeren die het beste werken om het lopen te minimaliseren.

De onderzoekers gebruikten zogenaamde human-in-the-loop optimalisatie, die gebruikmaakt van real-time metingen van menselijke fysiologische signalen, zoals ademhalingsfrequentie, om de bedieningsparameters van het apparaat aan te passen. Terwijl het algoritme de beste parameters aanscherpte, het stuurde het exosuit op waar en wanneer het zijn ondersteunende kracht moest leveren om de heupextensie te verbeteren. De Bayesiaanse optimalisatiebenadering die door het team werd gebruikt, werd vorig jaar voor het eerst gerapporteerd in een paper in PLOSone.

De combinatie van het algoritme en het pak verlaagde de metabolische kosten met 17,4 procent in vergelijking met lopen zonder het apparaat. Dit was een verbetering van meer dan 60 procent ten opzichte van het eerdere werk van het team.

"Optimalisatie- en leeralgoritmen zullen een grote impact hebben op toekomstige draagbare robotapparaten die zijn ontworpen om een ​​reeks gedragingen te ondersteunen, ", aldus Kuindersma. "Deze resultaten laten zien dat het optimaliseren van zelfs zeer eenvoudige besturingen een aanzienlijk, geïndividualiseerd voordeel voor gebruikers tijdens het lopen. Het uitbreiden van deze ideeën om meer expressieve controlestrategieën en mensen met verschillende behoeften en capaciteiten te overwegen, zal een spannende volgende stap zijn."

"Met draagbare robots zoals zachte exosuits, het is van cruciaal belang dat de juiste hulp op het juiste moment wordt geleverd, zodat ze synergetisch kunnen werken met de drager, " zei Walsh. "Met deze online optimalisatie-algoritmen, systemen kunnen leren hoe dit automatisch te doen in ongeveer twintig minuten, waardoor het voordeel voor de drager wordt gemaximaliseerd."

Volgende, het team wil de optimalisatie toepassen op een complexer apparaat dat meerdere gewrichten ondersteunt, zoals heup en enkel, tegelijkertijd.

"In deze krant, we hebben een hoge verlaging van de metabole kosten aangetoond door alleen de heupextensie te optimaliseren, "zei Ding. "Dit laat zien wat je kunt doen met een geweldig brein en geweldige hardware."