technologie

Verbetering van AI-algoritmen zal leiden tot een revolutie in protheses.

Kunstintelligentietraining metmet vallen en opstaan, toen de computer de records van een groot aantal games die al gespeeld werden, "voedde", op basis waarvan hij zijn vaardigheden verscherpt, bewezen dat de machine in staat is om een ​​persoon te overtreffen in zulke klassieke bordspellen als schaak en logica. Van de meest recente voorbeelden kunnen we de recente verpletterende overwinning van een computer boven een persoon in het strategische computerspel StarCraft II beschouwen, waarbij de machine op hetzelfde principe werd getraind. Een andere groep specialisten op het gebied van kunstmatige intelligentie toonde echter aan dat deze trainingsmethode ook kan worden gebruikt voor meer praktische taken, bijvoorbeeld voor het trainen van robotprothesen.

Versterking machine leermethode(reinforcement learning), waarbij het testsysteem wordt getraind door interactie met een bepaalde omgeving, toonde veelbelovende resultaten in een klein experiment met een paar vrijwilligers - één volledig gezond persoon en één met een been geamputeerd boven de knie.

Bij het gebruik van traditionele methoden voor techniciHet duurt gewoonlijk enkele uren om een ​​robotprothese op de juiste manier in te stellen door elke kunstmatige verbinding handmatig in te stellen en aan te passen aan de specifieke loopstijl waartoe de persoon wordt gebruikt. Experimenten van specialisten van de Universiteit van North Carolina hebben aangetoond dat de machine-leermethode met versterkingen je in staat stelt om dit veel sneller te doen - binnen 10 minuten na een volledig automatische opstelling kan een persoon soepel lopen.

"Vóór het daadwerkelijke gebruik van deze technologie,heel ver weg. We hebben alleen laten zien dat het mogelijk is. Het resultaat heeft ons blij gemaakt ", zegt Helen Huang, hoogleraar bioengineering aan de North Carolina State University.

Huang en zijn collega's publiceerden hun bevindingen inIEEE-transacties op cybernetica. De resultaten van hun werk kunnen een belangrijke eerste stap zijn in de richting van het automatiseren van de typische processen van het handmatig aanpassen van robotachtige ledematen, die meestal veel tijd kost en vereist dat patiënten specialisten bezoeken wanneer kunstgebitten aanpassing vereisen. In de toekomst kunnen al deze instellingen alleen thuis worden uitgevoerd, zonder de hulp van technici.

De instelling van de robotprothese zelfis een complex proces van het aanpassen van verschillende parameters die de interactieniveaus bepalen tussen de ledemaat en de prothese die nodig is om bepaalde taken uit te voeren. Sommige parameters bepalen bijvoorbeeld de stijfheid van een robotkniegewricht of het bereik van toegestane afwijkingen wanneer het been heen en weer rolt. In het onderhavige geval vereiste de knie van de robotprothese aanpassing van 12 verschillende parameters. Bij de standaardbenadering was het eindresultaat meestal verre van ideaal, maar toch was het best geschikt voor een persoon om op de prothese te staan ​​en eenvoudige bewegingen uit te voeren.

Robottraining iszeer moeilijk proces van co-adaptatie. Een prothese moet letterlijk leren samen te werken met het menselijk brein, dat de wederzijdse aanpassing van organen in het hele organisme regelt. Tegelijkertijd is het noodzakelijk om niet alleen de prothese zelf, maar ook de persoon te leren lopen. In de regel lijken de eerste resultaten nogal lastig - niet ver van de voorbeelden met ski's of skates, waarvoor de persoon voor het eerst stond.

"Ons lichaam kan nogal vreemd reagerenvreemde objecten die de voortzetting imiteren. In zekere zin is ons computergestuurde machine-learningalgoritme met versterking leren omgaan met het menselijk lichaam ", zegt co-auteur van een gepubliceerd onderzoek, Jenny C, een professor in elektronische, computertechniek en energie van de Arizona State University.

De taak van het onderwijzen van robotprothesenGecompliceerd door een zeer beperkte set gegevens beschikbaar voor het leren van het algoritme. Om bijvoorbeeld hun AlphaZero- en AlphaStar-algoritmen te trainen voor het schaken, go en StarCraft II, maakte DeepMind gebruik van de opnamen van miljoenen games van deze reeds gespeelde games. Op zijn beurt zal een geamputeerde om de nodige gegevens te verzamelen voor het leren van het algoritme niet in staat zijn om te wandelen voor een zeer lange tijd. Degenen die het Huang-laboratorium bezochten, konden bijvoorbeeld lopen zonder te stoppen voor slechts 15-20 minuten, waarna ze een beetje rust nodig hadden.

Maar dit zijn niet alle moeilijkheden en beperkingen, nietom het hele scala aan educatieve informatie te dekken, noteren de onderzoekers. Bijvoorbeeld, zelfs tussen Xi en Huang, vóór de start van hun project, was er enige discussie over de vraag of vrijwilligers die meededen aan het experiment toestemming hadden om te vallen, zodat het algoritme deze informatie kon leren. Dientengevolge, beslisten zij om dit idee op te geven, afschrijvend de veiligheid van vrijwilligers.

En toch, ondanks al deze moeilijkhedenDe eerste resultaten waren indrukwekkend. De onderzoekers leerde het algoritme om specifieke patronen te identificeren in de gegevens verzameld door sensoren geïnstalleerd in de robot knie. Dit maakte het op zijn beurt mogelijk om een ​​drempel in te stellen voor de functionaliteit van een robotprothese, waardoor ongewenste situaties die tot een val konden leiden, konden worden voorkomen. Uiteindelijk leerde het algoritme te vertrouwen op een bepaald patroon van acties, waardoor het mogelijk was om stabiliteit, soepelheid en een grotere natuurlijkheid in de beweging van de robotarm te bereiken.

Geautomatiseerde leerbenaderingrobotachtige ledematen zijn nog steeds ver verwijderd van massaal gebruik. Nu willen wetenschappers het algoritme leren om de prothese soepel te beheren bij het opstaan, tillen (bijvoorbeeld vanuit een stoel) en dalen (bijvoorbeeld langs een ladder). Daarnaast is het de taak om het systeem meer autonoom te maken, waardoor training en aanpassing van prothesen mogelijk is, niet alleen in laboratoriumomstandigheden.

Een van de moeilijkste en tegelijkertijd het belangrijkstetaken, volgens onderzoekers, is om een ​​methode van "communicatie" van het algoritme en de persoon te ontwikkelen, zodat de laatste hem kan vertellen welke van de geselecteerde instellingen van de prothese het gemakkelijkst is. Vroege pogingen om dit probleem op te lossen met gewone knoppen en andere eenvoudige methoden om informatie in te voeren, bleken niet effectief. Misschien gedeeltelijk omdat deze versie van de computer-naar-computer-interface niet toestaat dat het volledige beeld van de perceptie van menselijke coördinatie wordt overgedragen.

"Deze methode werkte niet omdat we er niet aan toe zijnEinde begrijpt alle kenmerken van het menselijk lichaam. Allereerst is het nodig om enkele lacunes in de fundamentele kennis van psychologie en fysiologie in te vullen ", besluit Huang.

Vooruitzichten voor de ontwikkeling van robotprothesen op basis van kunstmatige intelligentie kunnen worden besproken in onze Telegram-chat.