S’inspirant des solutions de streaming musical, une équipe d’ingénieurs de l’Université du Michigan, de Google et de Georgia Tech a conçu le moyen le as well as simple permettant aux utilisateurs de programmer leurs propres paramètres d’assistance à l’exosquelette.
Bien sûr, ce qui est straightforward pour les utilisateurs est additionally complexe en dessous, car or truck un algorithme d’apprentissage automatique propose à plusieurs reprises des paires de profils d’assistance les furthermore susceptibles d’être confortables pour l’utilisateur. L’utilisateur sélectionne ensuite l’un de ces deux éléments et le prédicteur suggest un autre profil d’assistance qui, selon lui, pourrait être meilleur. Cette approche permet aux utilisateurs de définir l’assistance de l’exosquelette en fonction de leurs préférences à l’aide d’une interface très straightforward, propice à une mise en œuvre sur une montre intelligente ou un téléphone.
« C’est essentiellement comme la musique de Pandora », a déclaré Elliott Rouse, professeur agrégé de robotique et de génie mécanique à l’UM et auteur correspondant de l’étude dans Science Robotics. « Vous lui donnez un feedback, un pouce vers le haut ou un pouce vers le bas, et il sélectionne une station de radio en fonction de vos commentaires. C’est une idée similaire, mais avec les paramètres d’assistance de l’exosquelette. Dans les deux cas, nous créons un modèle des préférences de l’utilisateur. et utiliser ce modèle pour optimiser l’expérience utilisateur.
L’équipe a testé l’approche avec 14 members, chacun portant une paire d’exosquelettes de cheville alors qu’ils marchaient à un rythme continual d’environ 2,3 miles par heure. Les volontaires pouvaient prendre autant de temps qu’ils le souhaitaient entre les choix, même s’ils étaient limités à 50 choix. La plupart des participants choisissaient le même profil d’assistance à plusieurs reprises à la 45e décision.
Après 50 excursions, l’équipe expérimentale a commencé à tester les utilisateurs pour voir si le profil d’assistance last était vraiment le meilleur, en le comparant à 10 profils générés aléatoirement (mais plausibles). En moyenne, les participants ont choisi les paramètres suggérés par l’algorithme approximativement neuf fois sur dix, ce qui achieved en évidence la précision de l’approche proposée.
« En utilisant des algorithmes intelligents et une touche d’IA, notre système détermine ce que veulent les utilisateurs avec des inquiries faciles par oui ou par non », a déclaré Ung Hee Lee, récent diplômé d’un doctorat en génie mécanique à l’UM et premier auteur de l’étude, maintenant à la société de robotique Nuro. « Je suis ravi que cette approche rende les robots portables confortables et faciles à utiliser, les rapprochant ainsi de leur rôle ordinary dans notre vie quotidienne. »
L’algorithme de contrôle gère quatre paramètres de l’exosquelette : la quantité d’assistance à fournir (couple de pointe), le temps nécessaire pour passer entre les photos (synchronisation) et la manière dont l’exosquelette augmente et réduit l’assistance de chaque côté de chaque pic. Cette approche d’assistance est basée sur la façon dont nos muscle tissue du mollet ajoutent de la force pour nous propulser vers l’avant à chaque pas.
Rouse rapporte que peu de groupes permettent aux utilisateurs de définir leurs propres paramètres d’exosquelette.
« Dans la plupart des cas, les contrôleurs sont réglés sur la foundation de résultats biomécaniques ou physiologiques. Les chercheurs ajustent les paramètres de leurs ordinateurs portables, minimisant ainsi le taux métabolique de l’utilisateur. À l’heure actuelle, c’est la référence en matière d’évaluation et de contrôle des exosquelettes », a déclaré Rouse.
« Je pense que notre domaine met trop l’accent sur les assessments de taux métabolique. Les gens sont en réalité très insensibles aux changements de leur propre taux métabolique, nous développons donc des exosquelettes pour faire quelque selected que les gens ne peuvent pas réellement percevoir. »
En revanche, les approches basées sur les préférences des utilisateurs ne se concentrent pas uniquement sur ce que les utilisateurs peuvent percevoir, mais leur permettent également de prioriser les qualités qu’ils jugent précieuses.
L’étude s’appuie sur les attempts antérieurs de l’équipe pour permettre aux utilisateurs d’appliquer leurs propres paramètres à un exosquelette de cheville. Dans cette étude, les utilisateurs disposaient d’une grille à écran tactile qui plaçait le niveau d’assistance sur un axe et le timing de l’assistance sur un autre. Les utilisateurs ont essayé différents details de la grille jusqu’à ce qu’ils en trouvent un qui leur convenait bien.
Une fois que les utilisateurs ont découvert ce qui était confortable, en quelques heures, ils ont pu retrouver leurs paramètres sur la grille en quelques minutes. La nouvelle étude réduit cette période in addition longue de découverte des réglages les in addition adaptés et offre deux nouveaux paramètres : la manière dont l’assistance augmente et diminue.
Les données de cette étude antérieure ont été utilisées pour alimenter le prédicteur d’apprentissage automatique. Un algorithme évolutif produit des variations basées sur les profils d’assistance préférés par ces utilisateurs précédents, puis le prédicteur – un réseau neuronal – classe ces profils d’assistance. À chaque choix effectué par les utilisateurs, de nouveaux profils d’assistance potentiels ont été générés, classés et présentés à l’utilisateur aux côtés de son choix précédent.
L’étude a été financée par X, « Moonshot Manufacturing facility » de Google, Robotics at Google (maintenant Google Deepmind) et la Fondation D. Dan et Betty Kahn. Le strategy est actuellement sous licence par Skip Innovations, spin-off d’Alphabet.
