Los investigadores incorporan la visión por computadora y la incertidumbre en la IA para prótesis robóticas

 

Los investigadores incorporan la visión por computadora y la incertidumbre en la IA para prótesis robóticas
Dispositivos de imagen y contexto ambiental. (a) Configuración de la cámara con gafas usando un rastreador ocular Tobii Pro Glasses 2. (b) Dispositivo de adquisición de datos de miembros inferiores con una cámara y un chip IMU. (c) y (d) Cuadros de ejemplo de las cámaras para las dos configuraciones de adquisición de datos. (e) y (f) Imágenes de ejemplo del entorno de recolección de datos y terrenos considerados en los experimentos. Crédito: Edgar Lobaton

Los investigadores han desarrollado un nuevo software que se puede integrar con el hardware existente para permitir a las personas que utilizan prótesis robóticas o exoesqueletos caminar de una manera más segura y natural en diferentes tipos de terreno. El nuevo marco incorpora visión por computadora en el control de prótesis de pierna e incluye algoritmos robustos de inteligencia artificial (IA) que permiten que el software responda mejor a la incertidumbre.

«Las prótesis robóticas de las extremidades inferiores deben ejecutar diferentes comportamientos en función del terreno sobre el que caminan los usuarios», dice Edgar Lobaton, coautor de un artículo sobre el trabajo y profesor asociado de ingeniería eléctrica e informática en la Universidad Estatal de Carolina del Norte. «El marco que hemos creado permite a la IA en las prótesis robóticas predecir el tipo de terreno que pisarán los usuarios, cuantificar las incertidumbres asociadas con esa predicción y luego incorporar esa incertidumbre en su toma de decisiones».

Los investigadores se centraron en distinguir entre seis terrenos diferentes que requieren ajustes en el comportamiento de una prótesis robótica: baldosas, ladrillos, hormigón, hierba, «arriba» y «abajo».

«Si el grado de incertidumbre es demasiado alto, la IA no se ve obligada a tomar una decisión cuestionable; en cambio, podría notificar al usuario que no tiene suficiente confianza en su predicción para actuar, o podría cambiar a» seguro ‘modo «, dice Boxuan Zhong, autor principal del artículo y reciente Ph.D. graduado del estado de NC.

El nuevo marco de «contexto ambiental» incorpora elementos de hardware y software. Los investigadores diseñaron el marco para usar con cualquier exoesqueleto robótico de miembro inferior o dispositivo protésico robótico, pero con una pieza adicional de hardware: una cámara. En su estudio, los investigadores usaron cámaras usadas en anteojos y cámaras montadas en la prótesis de las extremidades inferiores. Los investigadores evaluaron cómo la IA pudo hacer uso de los datos de visión por computadora de ambos tipos de cámara, por separado y cuando se usaron juntos.

«La incorporación de la visión por computadora en el software de control para la robótica portátil es una nueva área de investigación emocionante», dice Helen Huang, coautora del artículo. «Descubrimos que el uso de ambas cámaras funcionaba bien, pero requería una gran cantidad de poder de cómputo y puede ser un costo prohibitivo. Sin embargo, también descubrimos que usar solo la cámara montada en la extremidad inferior funcionó bastante bien, particularmente para las predicciones a corto plazo, como cómo sería el terreno para el próximo paso o dos «. Huang es profesor distinguido de ingeniería biomédica de la familia Jackson en el Departamento Conjunto de Ingeniería Biomédica en NC State y en la Universidad de Carolina del Norte en Chapel Hill.

El avance más significativo, sin embargo, es hacia la propia IA.

«Se nos ocurrió una mejor manera de enseñar a los sistemas de aprendizaje profundo cómo evaluar y cuantificar la incertidumbre de una manera que permita que el sistema incorpore incertidumbre en su toma de decisiones», dice Lobaton. «Esto es ciertamente relevante para las prótesis robóticas, pero nuestro trabajo aquí podría aplicarse a cualquier tipo de sistema de aprendizaje profundo».

Para entrenar el sistema de inteligencia artificial, los investigadores conectaron las cámaras a personas aptas, que luego caminaron a través de una variedad de entornos interiores y exteriores. Luego, los investigadores hicieron una evaluación de prueba de concepto al hacer que una persona con amputación de miembros inferiores usara las cámaras mientras atravesaba los mismos entornos.

«Descubrimos que el modelo puede transferirse adecuadamente para que el sistema pueda operar con sujetos de diferentes poblaciones», dice Lobaton. «Eso significa que la IA funcionó bien, incluso si fue entrenada por un grupo de personas y utilizada por alguien diferente».

Sin embargo, el nuevo marco aún no se ha probado en un dispositivo robótico.

«Estamos entusiasmados de incorporar el marco en el sistema de control para el trabajo de prótesis robóticas, ese es el siguiente paso», dice Huang.

«Y también estamos planeando trabajar en formas de hacer que el sistema sea más eficiente, en términos de requerir menos entrada de datos visuales y menos procesamiento de datos», dice Zhong.

El documento, «Predicción del contexto ambiental para prótesis de miembros inferiores con cuantificación de


Más información:
Boxuan Zhong et al, Predicción del contexto ambiental para prótesis de extremidades inferiores con cuantificación de incertidumbre.

Leave a Comment!