Uus neuroprotees on tehisintellekti robootika läbimurre

Šveitsi EPFL-i (École polytechnique fédérale de Lausanne) teadlased on teatanud maailma esimese robotkäsijuhtimise loomisest - uut tüüpi neuroproteetikast, mis ühendab inimese kontrolli tehisintellekti (AI) automatiseerimisega suurema robotiosavuse jaoks ja avaldasid oma uuringud September 2019 aastal Loodusmasina intelligentsus .

Neuroproteesid (närviproteesid) on kunstlikud seadmed, mis stimuleerivad või võimendavad närvisüsteemi elektrilise stimulatsiooni abil, et kompenseerida motoorikat, tunnetust, nägemist, kuulmist, suhtlemist või sensoorset oskust mõjutavaid puudusi. Neuroproteeside näited hõlmavad aju ja arvuti liideseid (BCI), sügavat aju stimulatsiooni, seljaaju stimulaatoreid (SCS), põie kontrolli implantaate, kohleaarseid implantaate ja südamestimulaatoreid.

Ülemaailmse proteeside ülemaailmne proteesiväärtus ületab 2025. aastaks eeldatavasti 2,3 miljardit USA dollarit, vastavalt Global Market Insight 2019. aasta augusti aruandele. 2018. aastal ulatus ülemaailmne turuväärtus sama aruande põhjal miljardi dollarini. Hinnanguliselt kaks miljonit ameeriklast on amputeeritud ja riikliku jäsemekaotuse teabekeskuse andmetel tehakse aastas üle 185 000 amputeerimise. Veresoontehaigused moodustavad aruande kohaselt 82 protsenti USA amputatsioonidest.

Müoelektrilist proteesi kasutatakse amputeeritud kehaosade asendamiseks välise jõuga tehisjäsemega, mille aktiveerivad kasutaja olemasolevad lihased. EPFLi uurimisrühma sõnul võivad tänapäeval saadaval olevad kommertsseadmed pakkuda kasutajatele kõrgetasemelist autonoomiat, kuid osavus pole kaugeltki nii vilgas kui terve inimkäsi.

„Kommertsseadmetes kasutatakse ühe vabadusastme juhtimiseks tavaliselt kahe salvestusega kanaliga süsteemi; see tähendab, et üks sEMG kanal paindumiseks ja teine ​​pikendamiseks, ”kirjutasid EPFLi teadlased oma uuringus. „Ehkki intuitiivne, pakub süsteem vähe osavust. Inimesed hülgavad müoelektrilisi proteese suure hulgaga, osaliselt seetõttu, et nad tunnevad, et kontrolli tase on nende seadmete hinna ja keerukuse vääriliseks tunnistamiseks ebapiisav. ”

Mioelektriliste proteesidega osavuse probleemi lahendamiseks võtsid EPFL-i teadlased selle ideekontrolli uuringu jaoks interdistsiplinaarse lähenemise, ühendades neuroinseneri, robootika ja tehisintellekti teadusvaldkonnad, et osaliselt automatiseerida osa motoorsest käsklusest "jagatud" jaoks kontroll."

Silvestro Micera, EPFLi Bertarelli fondi tõlketranspordi neurotehnoloogia õppetooli juhataja ja Itaalia Scuola Superiore Sant'Anna bioelektroonika professor, leiab, et see robotkäte juhtimise ühine lähenemisviis võib parandada kliinilist mõju ja kasutatavust mitmesugustel neuroproteetilistel eesmärkidel nagu aju - masina liidesed (KMI) ja bioonilised käed.

"Üks põhjus, miks kommertsproteesid kasutavad proportsionaalsete asemel sagedamini klassifikaatoripõhiseid dekoodreid, on see, et klassifikaatorid jäävad kindlasse asendisse," kirjutasid teadlased. „Haaramiseks on seda tüüpi juhtimine ideaalne juhusliku kukkumise vältimiseks, kuid ohverdab kasutajaagentuuri, piirates võimalike käsiasendite arvu. Jagatud juhtimise rakendamine võimaldab nii kasutajaagentuuril kui ka haarata vastupidavust. Vabas ruumis on kasutajal täielik kontroll käeliigutuste üle, mis võimaldab haaramiseks ka tahtlikku eelvormimist. ”

Selles uuringus keskendusid EPFL-i teadlased tarkvara algoritmide kujundamisele - robotite riistvara, mille pakkusid välised osapooled, koosneb KUKA IIWA 7 robotile paigaldatud Allegro Handist, OptiTrack kaamerasüsteemist ja TEKSCANi rõhuanduritest.

EPFL-i teadlased lõid kinemaatilise proportsionaalse dekoodri, luues mitmekihilise perceptroni (MLP), et õppida tõlgendama kasutaja kavatsust, et see tõlgendada sõrmede kunstlikul käel liikumiseks. Mitmekihiline perceptron on ettepoole suunatud kunstlik närvivõrk, mis kasutab tagasi paljundamist. MLP on sügav õppemeetod, kus teave liigub edasi ühes suunas, võrreldes tsükli või tsükliga läbi kunstliku närvivõrgu.

Algoritmi koolitavad sisendandmed kasutajalt, kes sooritab käeliigutusi. Kiirema lähenemisaja saavutamiseks kasutati gradiendi laskumise asemel võrgumasside sobitamiseks Levenbergi – Marquardti meetodit. Täismudeli koolitusprotsess oli kiire ja võttis iga õppeaine jaoks vähem kui 10 minutit, mistõttu algoritm oli kliinilise kasutamise seisukohast praktiline.

"Amputee jaoks on tegelikult väga raske lihaseid kokku tõmmata mitmel erineval viisil, et kontrollida kõiki viise, kuidas meie sõrmed liiguvad," ütles Katie Zhuang EPFL-i tõlketööde neurotehnika laborist, kes oli uuringu esimene autor . "Mida me teeme, on see, et paneme need andurid nende järelejäänud kännu külge ja registreerime siis ning proovime tõlgendada, mis liikumissignaalid on. Kuna need signaalid võivad olla veidi lärmakad, vajame seda masinõppe algoritmi, mis eraldab nendest lihastest sisuka tegevuse ja tõlgendab neid liikumisteks. Ja need liigutused kontrollivad robotkäte igat sõrme. "

Kuna sõrme liigutuste masinprognoosid ei pruugi olla sajaprotsendiliselt täpsed, integreerisid EPFL-i teadlased robotautomaatika, et võimaldada kunstlikku kätt ja alustada objekti sulgemist automaatselt pärast esmase kontakti loomist. Kui kasutaja soovib objekti vabastada, piisab, kui ta robotrooleri väljalülitamiseks proovib käe avada ja annab kasutajale uuesti kontrolli.

EPFLi õppimisalgoritmide ja süsteemide laborit juhtiva Aude Billardi sõnul suudab robotkäsi reageerida 400 millisekundi jooksul. "Varustatud kogu sõrmede rõhuanduritega suudab see objekti reageerida ja stabiliseerida, enne kui aju saab tegelikult aru, et objekt libiseb," ütles Billard.

Tehisintellekti rakendades neuroinseneritöös ja robootikas on EPFLi teadlased demonstreerinud uut lähenemist masina ja kasutaja kavatsuste jagatud juhtimisele - neuroproteetilise tehnoloogia edusammud.

© 2019 Google Saidi teenusetingimused Privaatsus Arendajad Artistid About Google | Asukoht: Ameerika Ühendriigid Keel: eesti