AI-aangedreven Exoskeletbenen Leren Zelfstandig Lopen

Universiteit van Waterloo Ontwikkelt Autonome Exoskeletten met Computer Vision en Deep Learning

Robotica-onderzoekers ontwikkelen exoskeletbenen die hun stappen zelf maken, met behulp van geavanceerde kunstmatige intelligentie (AI) technologie. De zelfsturende benen kunnen ooit de bewegingen van ouderen en mensen met fysieke beperkingen ondersteunen.

Het systeem, gebouwd en getest door onderzoekers aan de Universiteit van Waterloo, combineert computer vision en deep-learning AI om een menselijke gang na te bootsen. "Lerend" van een verzameling voorbeeldwandelingen door een omgeving, past het systeem zijn bewegingen aan op basis van de omgeving die het waarnemt.

"We geven robotische exoskeletten visie zodat ze zichzelf kunnen besturen," zei Brokoslaw Laschowski, een PhD-kandidaat in systeemontwerpkunde die een onderzoeksproject van de Universiteit van Waterloo leidt genaamd ExoNet.

Trainingsdata en Omgevingsherkenning

Het ExoNet-systeem, ondersteund door kunstmatige intelligentie, haalt data op uit trainingsdata verzameld door het team. Met draagbare camera's vastgesnoren aan hun borst (zoals getoond in de bovenstaande afbeelding), maakten Laschowski en zijn mede-onderzoekers video's van binnen- en buitensomgevingen.

AI-computersoftware verwerkte de videofeed om trappen, deuren en andere kenmerken in de omgeving nauwkeurig te herkennen.

De prestatie werd gedetailleerd in het tijdschrift Frontiers in Robotics and AI. (Verken een onderzoeksdataset met betrekking tot dit autonome exoskeletproject.)

Het laatste in een reeks papers over gerelateerde projecten, Simulatie van Sta-naar-Zit Biomechanica voor Robotische Exoskeletten en Prothesen met Energieherwinning, verschijnt in het tijdschrift IEEE Transactions on Medical Robotics and Bionics.

Motor-aangedreven exoskeletbenen zijn eerder ontworpen, maar de drager heeft bijna altijd een joystick of smartphone-applicatie nodig om hun bewegingen te besturen.

"Dat kan ongemakkelijk en cognitief veeleisend zijn," zei Laschowski. "Elke keer dat je een nieuwe locomotoractiviteit wilt uitvoeren, moet je stoppen, je smartphone eruit halen en de gewenste modus selecteren."

De benadering van de Universiteit van Waterloo biedt een meer geautomatiseerde controle, dankzij de AI- en computer-vision-mogelijkheden.

De volgende fase van het ExoNet-onderzoeksproject zal het sturen van instructies aan motoren omvatten zodat robotische exoskeletten trappen kunnen klimmen, obstakels vermijden, of andere passende acties ondernemen op basis van analyse van de gebruiker's huidige beweek en het aankomende terrein.

Daarnaast werken de onderzoekers ook aan het verbeteren van de energie-efficiëntie van motoren voor robotische exoskeletten door menselijke beweeging te gebruiken om de batterijen zelf op te laden.

"Onze controlebenadering zou niet noodzakelijk menselijke gedachte vereisen," zei Laschowski, die gesuperviseerd wordt door engineering professor John McPhee, de Canada Research Chair in Biomechatronische Systeemdynamica, in zijn Motion Research Group lab. "Vergelijkbaar met autonome auto's die zichzelf besturen, ontwerpen we autonome exoskeletten die voor zichzelf lopen."

Tech Briefs Interview

Tech Briefs: Hoe waarborg je veiligheid? Kan de gebruiker controle aan nemen als het exoskelet per ongeluk iets gevaarlijks doet? De analogie is ADAS vs volledig autonom voertuigen. Hoe zou de gebruiker snelheid en stoppen en gaan controleren? Hoe zouden dergelijke controls interfacen met de gebruiker?

Brokoslaw Laschowski: Veiligheid is van het allerbelangrijkste. Deze robotische apparaten zijn ontworpen om ouderen en mensen met fysieke beperkingen te helpen (bijv. beroerte, ruggenmergletsel, cerebrale parese, artrose, etc). We kunnen het niet veroorloven dat het exoskelet verkeerde beslissingen neemt en potentiële vallen of letsels veroorzaakt. Gevolgged, richten we ons volledig op het verbeteren van de classificatienauwkeurigheid en controle door een omgevingsherkenningsysteem te ontwikkelen dat het exoskelet in staat stelt om autonoom te voelen en in real-time te reageren op de wandelomgeving. We optimaliseren de systeemprestaties met computers en draagbare prototypes met "gezonde" controles voor klinische testen. Echter, de exoskeletgebruiker zal altijd de mogelijkheid hebben om handmatige controle over te nemen (bijv. stoppen en sturen).

Tech Briefs: Kun je me een applicatie doorlopen die je voorstelt voor dit soort exoskelet? Waar zal dit het meest waardevol zijn?

Brokoslaw Laschowski: Deze robotische apparaten zijn ontworpen om ouderen en mensen met fysieke beperkingen te helpen met locomotoractiviteiten. Een voorbeeldapplicatie van ons omgevingsadaptieve geautomatiseerde controlsysteem is het schakelen tussen verschillende locomotoractiviteiten. In commercieel beschikbare exoskeletten, bij overgang van vlakke grond lopen naar trappen klimmen, naderigt de gebruiker de trap, stopt, en communiceert handmatig aan het exoskelet de beoogde activiteit met een mobiele interface, drukknoppen, of andere handbedieningen (afhankelijk van het apparaat).

In tegenstelling, met een autonoom controlsysteem, naarmate de gebruiker een hellende trap naderigt, meten onboard sensoren als inertiële meetunits (IMU's) continu de huidige bewegingen van de gebruiker, en het draagbare camerasysteem meet en classificeert het aankomende terrein. De fusie van deze verschillende sensortechnologieën en patroonherkenningsalgoritmes wordt gebruikt om de locomotorintentie van de gebruiker te voorspellen en het exoskelet te besturen.

Tech Briefs: Hoe wordt het exoskeget "getraind" om zonder menselijke gedachte te opereren?

Brokoslaw Laschowski: We gebruiken computer vision en deep learning voor omgevingsclassificatie. Met miljoenen real-world afbeeldingen, worden onze convolutionele neurale netwerken automatisch en efficiënt getraind om de verschillende wandelomgevingen in de afbeeldingen te voorspellen. Deze informatie over de wandelomgeving wordt vervolgens gebruikt om het robotische exoskelet te besturen in termen van optimale padplanning, obstakelvermijding, en schakelen tussen verschillende locomotoractiviteiten (bijv. vlakke grond lopen naar trappen klimmen).

Tech Briefs: Wat is de volgende stap voor dit exoskelet? Woran werk je nu?

Brokoslaw Laschowski: Vanuit een veiligheidskritisch perspectief, moeten deze AI-aangedreven exoskelet-controlsystemen nauwkeurig en in real-time presteren. Daarom richten we ons op het verbeteren van de omgevingsclassificatie-nauwkeurigheid terwijl we neurale netwerkarchitecturen gebruiken met minimaal berekenings- en geheugenopslagvereisten om onboard real-time inferentie te promoten.