Uusi neuroproteesi on tekoälyrobotiikan läpimurto

Sveitsin EPFL: n (École polytechnique fédérale de Lausanne) tutkijat ovat ilmoittaneet perustavansa maailman ensimmäisen robottikäsiohjauksen - uuden tyyppisen neuroproteesin, joka yhdistää ihmisen ohjauksen tekoälyn (AI) automatisointiin robotin kätevyyden lisäämiseksi ja ovat julkaisseet tutkimuksensa Syyskuu 2019 sisään Luontokoneen älykkyys .

Neuroproteesit (hermoproteesit) ovat keinotekoisia laitteita, jotka stimuloivat tai parantavat hermostoa sähköstimulaation avulla kompensoimaan puutteita, jotka vaikuttavat motorisiin taitoihin, kognitioon, näkemiseen, kuuloon, viestintään tai aistitaitoihin. Esimerkkejä neuroproteesista ovat aivojen ja tietokoneiden rajapinnat (BCI), syvä aivojen stimulaatio, selkäytimen stimulaattorit (SCS), virtsarakon ohjausimplantaatit, sisäkorvaistutteet ja sydämentahdistimet.

Yläraajojen proteesien maailmanlaajuisen arvon odotetaan ylittävän 2,3 miljardia dollaria vuoteen 2025 mennessä Global Market Insightin elokuun 2019 raportin mukaan. Vuonna 2018 maailmanlaajuinen markkina-arvo saavutti miljardin dollarin saman raportin perusteella. Arviolta kaksi miljoonaa amerikkalaista on amputoituja, ja vuosittain tehdään yli 185 000 amputaatiota National Limb Loss Information Centerin mukaan. Verisuonitautien osuus raportin mukaan on 82 prosenttia Yhdysvaltain amputaatioista.

Mioelektristä proteesia käytetään korvaamaan amputoidut ruumiinosat ulkoisella voimalla toimivalla keinotekoisella raajalla, jonka käyttäjän nykyiset lihakset aktivoivat. EPFL-tutkimusryhmän mukaan tänään saatavilla olevat kaupalliset laitteet voivat antaa käyttäjille korkean autonomian tason, mutta näppäryys ei ole läheskään yhtä ketterä kuin koskematon ihmisen käsi.

”Kaupallisissa laitteissa käytetään yleensä kaksitallennuskanavajärjestelmää yhden vapausasteen hallitsemiseksi; toisin sanoen yksi sEMG-kanava taivutusta ja toinen laajentamista varten ", kirjoitti tutkimuksessaan EPFL-tutkijat. "Vaikka intuitiivinen, järjestelmä tarjoaa vähän kätevyyttä. Ihmiset hylkäävät myoelektriset proteesit suurella nopeudella, osittain siksi, että heidän mielestään hallinnan taso ei ole riittävä ansaitsemaan näiden laitteiden hintaa ja monimutkaisuutta. "

Käsittelemään näppäryyden ongelmaa myoelektrisillä proteeseilla EPFL: n tutkijat käyttivät monialaista lähestymistapaa tähän käsitteelliseen tutkimukseen yhdistämällä neuroinsinöörin, robotiikan ja tekoälyn tieteenalat puoliautomaattisesti osan "jaetun moottorin komennosta" hallinta. "

Silvestro Micera, EPFL: n Bertarelli Foundation Translation Neuroengineeringin puheenjohtaja ja bioelektroniikan professori Scuola Superiore Sant'Anna Italiassa, katsoo, että tämä yhteinen lähestymistapa robottien hallintaan voi parantaa kliinisiä vaikutuksia ja käytettävyyttä monenlaisiin neuroproteesisiin tarkoituksiin, kuten aivot - koneen rajapinnat (BMI) ja bioniset kädet.

"Yksi syy siihen, miksi kaupallisissa proteeseissa käytetään yleisemmin luokittelupohjaisia ​​dekoodereita suhteellisten sijasta, johtuu siitä, että luokittelijat pysyvät vakaammin tietyssä asennossa", tutkijat kirjoittivat. ”Tarttumiseksi tämäntyyppinen ohjaus on ihanteellinen estämään vahingossa tapahtuva pudottaminen, mutta uhrautuu käyttäjän toimesta rajoittamalla mahdollisten käsiasentojen määrää. Jaetun hallinnan toteuttaminen mahdollistaa sekä käyttäjien välittämisen että kestävyyden. Käyttäjä voi vapaassa tilassa hallita täysin käden liikkeitä, mikä mahdollistaa myös tahdonmukaisen esimuotoilun tarttumiseen. "

Tässä tutkimuksessa EPFL-tutkijat keskittyivät ohjelmistoalgoritmien suunnitteluun - ulkoisten osapuolten toimittama robottilaitteisto koostuu KUKA IIWA 7 -robotille asennetusta Allegro-kädestä, OptiTrack-kamerajärjestelmästä ja TEKSCAN-paineanturista.

EPFL-tutkijat loivat kinemaattisen verrannollisen dekooderin luomalla monikerroksisen perceptronin (MLP) oppiakseen tulkitsemaan käyttäjän aikomusta kääntämään se sormien liikkumiseksi keinotekoisella kädellä. Monikerroksinen perceptron on eteenpäin suuntautuva keinotekoinen hermoverkko, joka käyttää taantumista. MLP on syvä oppimismenetelmä, jossa tieto liikkuu eteenpäin yhteen suuntaan verrattuna sykliin tai silmukkaan keinotekoisen hermoverkon läpi.

Algoritmi koulutetaan syöttötiedoilla käyttäjältä, joka suorittaa sarjan käden liikkeitä. Nopeampaa lähentymisaikaa varten Levenberg – Marquardt-menetelmää käytettiin verkon painojen sovittamiseen kaltevuuslaskun sijasta. Koko mallin mukainen koulutusprosessi oli nopea ja kesti alle 10 minuuttia kullekin kohteelle, mikä teki algoritmista käytännöllisen kliinisen käytön näkökulmasta.

"Amputoidulle on todella vaikeaa supistaa lihaksia monin monin tavoin hallita kaikkia tapoja, joilla sormemme liikkuvat", kertoi Katie Zhuang EPFL: n Translational Neural Engineering Lab -laboratoriosta, joka oli tutkimuksen ensimmäinen kirjoittaja. . "Me teemme sen, että laitamme nämä anturit niiden jäljelle jäävään kantoon ja tallennamme ne sitten ja yritämme tulkita mitä liikesignaalit ovat. Koska nämä signaalit voivat olla hieman meluisia, tarvitsemme tämän koneoppimisalgoritmin, joka poimii merkityksellisen toiminnan näistä lihaksista ja tulkitsee ne liikkeiksi. Ja nämä liikkeet ohjaavat robottikäsien kutakin sormea. "

Koska sormenliikkeiden koneennusteet eivät välttämättä ole 100-prosenttisesti tarkkoja, EPFL: n tutkijat sisällyttivät robotti-automaation keinotekoisen käden mahdollistamiseksi ja sulkeutumisen aloittamiseksi automaattisesti kohteen ympärille heti, kun ensimmäinen kontakti on muodostettu. Jos käyttäjä haluaa vapauttaa objektin, hänen on vain yritettävä avata käsi, jotta robottiohjain voidaan sammuttaa, ja laittaa käyttäjän takaisin käsiohjaukseen.

EPFL: n oppimisalgoritmien ja systeemilaboratorion johtajan Aude Billardin mukaan robotti käsi pystyy reagoimaan 400 millisekunnin kuluessa. "Varustettu paineanturilla kaikkialla sormissa, se voi reagoida ja vakauttaa kohteen ennen kuin aivot todella havaitsevat kohteen liukastuvan", Billard sanoi.

Soveltamalla tekoälyä neurotekniikkaan ja robotiikkaan, EPFL: n tutkijat ovat osoittaneet uuden lähestymistavan koneen ja käyttäjän aikomusten keskinäiseen hallintaan - edistysaskeleet neuroproteettisessa tekniikassa.

Tekijänoikeus © 2019 Cami Rosso Kaikki oikeudet pidätetään.