Por favor, avalie esta postagem
Um algoritmo eficiente de aprendizado de máquina foi desenvolvido por pesquisadores que pode personalizar rapidamente estratégias de controle personalizadas para exosuits macios e vestíveis.
Quando se trata de dispositivos assistivos leves – como o exosuit vestível criado pelo Harvard Biodesign Lab – o usuário e o robô precisam estar em sincronia. Mas cada ser humano se move de maneira um pouco diferente, e adaptar os parâmetros do robô a um usuário individual é um processo demorado e ineficiente.
Agora, pesquisadores da Escola de Engenharia e Ciências Aplicadas (SEAS) John A. Paulson de Harvard e do Instituto Wyss de Engenharia Biologicamente Inspirada da Universidade de Harvard desenvolveram um algoritmo de aprendizado de máquina eficiente que pode fazer esse trabalho rapidamente. A pesquisa é descrita na Science Robotics.
“Este novo método é uma maneira eficaz e rápida de otimizar as configurações dos parâmetros de controle para dispositivos assistivos vestíveis”, disse Ye Ding, pós-doutorado no SEAS e co-autor da pesquisa. “Usando este método, alcançamos uma enorme melhoria no desempenho metabólico para os usuários de um dispositivo auxiliar de extensão de quadril.”
Pesquisadores da Escola de Engenharia e Ciências Aplicadas (SEAS) de Harvard John A. Paulson e do Instituto Wyss de Engenharia Biologicamente Inspirada desenvolveram um eficiente aprendizado de máquina algoritmo que pode adaptar rapidamente estratégias de controle personalizadas para exosuits macios e vestíveis.
Os seres humanos ajustam constantemente seus movimentos para economizar energia enquanto caminham. Os pesquisadores chamam isso de custo metabólico.
“Antes, se você tivesse três usuários diferentes andando com dispositivos de assistência, seriam necessárias três estratégias de assistência diferentes”, disse Myunghee Kim, pesquisador de pós-doutorado no SEAS e outro co-autor. “Encontrar os parâmetros de controle corretos para cada usuário costumava ser um processo difícil e passo a passo.”
O novo algoritmo, desenvolvido por pesquisadores liderados por Conor Walsh, professor associado de engenharia e ciências aplicadas John L. Loeb, e Scott Kuindersma, professor assistente de engenharia e ciência da computação no SEAS, elimina essa variabilidade para identificar rapidamente os melhores parâmetros de controle. para minimizar o trabalho de caminhar.
Os pesquisadores aplicaram a chamada otimização human-in-the-loop, que usa medições em tempo real de sinais fisiológicos humanos, como a frequência respiratória, para ajustar os parâmetros de controle do dispositivo. À medida que o algoritmo se concentrava nos melhores parâmetros, ele informava ao exosuit quando e onde aplicar sua força assistiva para melhorar a extensão do quadril. A abordagem de Otimização Bayesiana que a equipe usou foi relatada pela primeira vez em um artigo no ano passado na PLOSone.
A combinação do algoritmo e do traje reduziu o custo metabólico em 17,4% em comparação com caminhar sem o dispositivo, uma melhoria de mais de 60% em relação ao trabalho anterior da equipe.
“Os algoritmos de otimização e aprendizagem terão um grande impacto nos futuros dispositivos robóticos vestíveis, projetados para auxiliar uma variedade de comportamentos”, disse Kuindersma. “Esses resultados mostram que a otimização mesmo de controladores muito simples pode proporcionar um benefício significativo e individualizado aos usuários enquanto caminham. Estender essas ideias para considerar estratégias de controle mais expressivas e pessoas com necessidades e habilidades diversas será um próximo passo emocionante.”
“Com robôs vestíveis, como os exosuits macios, é fundamental que a assistência certa seja prestada no momento certo para que possam trabalhar em sinergia com o usuário”, disse Walsh. “Com esses algoritmos de otimização on-line, os sistemas podem aprender como conseguir isso automaticamente em cerca de 20 minutos, maximizando assim o benefício para o usuário.”
O próximo passo da equipe é aplicar a otimização a um dispositivo mais complexo que auxilia múltiplas articulações, como quadril e tornozelo, ao mesmo tempo.
“Neste artigo, demonstramos uma grande redução no custo metabólico apenas otimizando a extensão do quadril”, disse Ding. “Isso mostra o que você pode fazer com um ótimo cérebro e um ótimo hardware.”
Referência: “Otimização humana no circuito da assistência ao quadril com um exosuit macio durante a caminhada” por Ye Ding, Myunghee Kim, Scott Kuindersma e Conor J. Walsh, 28 de fevereiro de 2018, Robótica Científica.
DOI: 10.1126/scirobotics.aar5438