Nowa neuroprotetyka to przełom w robotyce sztucznej inteligencji

Naukowcy z EPFL (École polytechnique fédérale de Lausanne) w Szwajcarii ogłosili stworzenie pierwszego na świecie robota do sterowania ręcznego - nowego typu neuroprotetyki, która łączy ludzką kontrolę z automatyzacją sztucznej inteligencji (AI) w celu zwiększenia zręczności robota i opublikowali swoje badania w Wrzesień 2019 w Nature Machine Intelligence .

Neuroprotetyka (protetyka neuronalna) to sztuczne urządzenia, które stymulują lub wzmacniają układ nerwowy poprzez stymulację elektryczną, aby zrekompensować niedobory wpływające na zdolności motoryczne, poznanie, wzrok, słuch, komunikację lub zdolności sensoryczne. Przykłady neuroprotetyki obejmują interfejsy mózg-komputer (BCI), głęboką stymulację mózgu, stymulatory rdzenia kręgowego (SCS), implanty kontrolujące pęcherz, implanty ślimakowe i rozruszniki serca.

Oczekuje się, że światowa wartość protez kończyny górnej przekroczy 2,3 miliarda dolarów do 2025 roku, wynika z raportu Global Market Insight z sierpnia 2019 roku. W 2018 r.wartość światowego rynku osiągnęła miliard USD na podstawie tego samego raportu. Według National Limb Loss Information Center szacuje się, że dwa miliony Amerykanów ma amputacje, a ponad 185 000 amputacji jest wykonywanych rocznie. Według raportu choroby naczyniowe stanowią 82 procent amputacji w USA.

Proteza mioelektryczna służy do zastąpienia amputowanych części ciała sztuczną kończyną zasilaną zewnętrznie, która jest aktywowana przez istniejące mięśnie użytkownika. Według zespołu badawczego EPFL, dostępne obecnie komercyjne urządzenia mogą zapewnić użytkownikom wysoki poziom autonomii, ale zręczność nie jest nigdzie tak zwinna jak nienaruszona ludzka ręka.

„Urządzenia komercyjne zwykle używają systemu dwukanałowego zapisu do sterowania jednym stopniem swobody; to znaczy, jeden kanał sEMG do zgięcia i jeden do wyprostu ”- napisali badacze EPFL w swoich badaniach. „Choć intuicyjny, system zapewnia niewielką zręczność. Ludzie często rezygnują z protez mioelektrycznych, po części dlatego, że uważają, że poziom kontroli jest niewystarczający, aby zasłużyć na cenę i złożoność tych urządzeń ”.

Aby rozwiązać problem zręczności z protezami mioelektrycznymi, badacze EPFL przyjęli interdyscyplinarne podejście do tego badania weryfikującego koncepcję, łącząc naukowe dziedziny neuroinżynierii, robotyki i sztucznej inteligencji, aby półautomatyzować część poleceń motorycznych w celu „wspólnego kontrola."

Silvestro Micera, przewodniczący Fundacji Bertarelli w EPFL w dziedzinie neuroinżynierii translacyjnej i profesor bioelektroniki w Scuola Superiore Sant'Anna we Włoszech, uważa, że ​​to wspólne podejście do kontrolowania rąk robotów może poprawić wpływ kliniczny i użyteczność w szerokim zakresie celów neuroprotetycznych, takich jak mózg interfejsy do maszyny (BMI) i bioniczne dłonie.

„Jednym z powodów, dla których w protezach komercyjnych częściej stosuje się dekodery oparte na klasyfikatorach zamiast dekoderów proporcjonalnych, jest to, że klasyfikatory silniej pozostają w określonej pozycji” - napisali naukowcy. „W przypadku chwytania ten rodzaj kontroli jest idealny, aby zapobiec przypadkowemu upuszczeniu, ale wymaga zaangażowania użytkownika, ograniczając liczbę możliwych pozycji dłoni. Nasza implementacja współdzielonej kontroli umożliwia zarówno użytkownika, jak i uchwycenie solidności. W wolnej przestrzeni użytkownik ma pełną kontrolę nad ruchami dłoni, co pozwala również na dobrowolne wstępne kształtowanie do chwytania. ”

W tym badaniu naukowcy z EPFL skupili się na projektowaniu algorytmów oprogramowania - zrobotyzowany sprzęt dostarczony przez firmy zewnętrzne składa się z ręki Allegro zamontowanej na robocie KUKA IIWA 7, systemu kamer OptiTrack i czujników ciśnienia TEKSCAN.

Naukowcy z EPFL stworzyli kinematyczny proporcjonalny dekoder, tworząc wielowarstwowy perceptron (MLP), aby nauczyć się interpretować intencje użytkownika, aby przełożyć je na ruch palców sztucznej dłoni. Perceptron wielowarstwowy to sztuczna sieć neuronowa ze sprzężeniem zwrotnym, która wykorzystuje propagację wsteczną. MLP to metoda głębokiego uczenia się, w której informacje przemieszczają się do przodu w jednym kierunku, w przeciwieństwie do cyklu lub pętli przez sztuczną sieć neuronową.

Algorytm jest uczony na podstawie danych wejściowych od użytkownika wykonującego serię ruchów dłoni. W celu uzyskania krótszego czasu zbieżności zastosowano metodę Levenberga – Marquardta do dopasowania wag sieci zamiast spadku gradientu. Proces szkolenia pełnego modelu był szybki i zajął mniej niż 10 minut dla każdego z badanych, dzięki czemu algorytm był praktyczny z punktu widzenia zastosowania klinicznego.

„W przypadku osoby po amputacji bardzo trudno jest skurczyć mięśnie na wiele, wiele różnych sposobów kontrolowania wszystkich ruchów naszych palców” - powiedziała Katie Zhuang z EPFL Translational Neural Engineering Lab, która była pierwszą autorką badania . „To, co robimy, to umieszczamy te czujniki na ich pozostałym pniu, a następnie rejestrujemy je i próbujemy zinterpretować, jakie są sygnały ruchu. Ponieważ sygnały te mogą być nieco hałaśliwe, potrzebujemy algorytmu uczenia maszynowego, który wydobywa znaczącą aktywność z tych mięśni i interpretuje je na ruchy. A te ruchy kontrolują każdy palec robotycznej dłoni ”.

Ponieważ przewidywania maszynowe dotyczące ruchów palców mogą nie być w 100% dokładne, badacze EPFL zastosowali automatyzację robotyczną, aby umożliwić sztuczną rękę i automatycznie rozpocząć zamykanie wokół obiektu po nawiązaniu pierwszego kontaktu. Jeśli użytkownik chce zwolnić obiekt, wystarczy, że spróbuje otworzyć dłoń, aby wyłączyć kontroler robota i przywrócić użytkownikowi kontrolę nad ręką.

Według Aude Billarda, który kieruje Laboratorium Algorytmów i Systemów uczenia się w EPFL, ręka robota jest w stanie zareagować w ciągu 400 milisekund. „Wyposażony w czujniki nacisku na wszystkich palcach, może zareagować i ustabilizować obiekt, zanim mózg rzeczywiście zauważy, że obiekt się ślizga” - powiedział Billard.

Stosując sztuczną inteligencję w neuroinżynierii i robotyce, naukowcy z EPFL zademonstrowali nowe podejście do współdzielonej kontroli między maszyną a intencją użytkownika - postęp w technologii neuroprotetycznej.

Copyright © 2019 Cami Rosso Wszelkie prawa zastrzeżone.