Побољшање АИ алгоритама ће довести до револуције у протетици.

Обука вештачке интелигенцијеКористећи покушаје и грешке, када је рачунар „хранио“ евиденцију о огромном броју игара које су већ одигране, на основу којих је изоштрио своје вештине, доказао је да је машина способна да превазиђе особу у класичним друштвеним играма као што су шах и логичка игра. Од најновијих примјера, можемо узети у обзир недавну побједу компјутера над особом у стратешкој компјутерској игри СтарЦрафт ИИ, гдје је строј трениран на истом принципу. Међутим, друга група стручњака из области вештачке интелигенције показала је да се овај метод обуке може користити и за практичне задатке, на пример, за обуку роботских протеза.

Метода учења стројне арматуре(учење ојачавања), у којем се тестни систем обучава интеракцијом са одређеним окружењем, показали су обећавајуће резултате у малом експерименту који је укључивао неколико волонтера - једну потпуно здраву особу и једну са ампутираном ногом изнад колена.

Када користите традиционалне методе за техничареОбично је потребно неколико сати да се правилно постави роботска протеза ручним подешавањем сваког вештачког зглоба и његовом прилагођавањем специфичном стилу ходања којим се особа користи. Експерименти са специјалиста са Универзитета у Северној Каролини показали су да метода машинског учења са појачањима омогућава да то урадите много брже - у року од 10 минута након потпуно аутоматског подешавања, особа може да иде глатко.

“Пре стварне употребе ове технологије,веома далеко. Ми смо само показали да је то могуће. Резултат нас је одушевио ”, коментирала је Хелен Хуанг, професорица биоинжињеринга на Државном универзитету у Сјеверној Каролини.

Хуанг и његове колеге објавили су своја открићаИЕЕЕ Трансацтионс он Цибернетицс. Резултати њиховог рада могу бити важан први корак у правцу аутоматизације типичних процеса ручног подешавања роботских удова, што обично траје доста времена и захтијева од пацијената да посјећују стручњаке кад год протезе захтијевају прилагодбу. У будућности, сва ова окружења, људи ће моћи самостално да наступају код куће, без помоћи техничара.

Подешавање роботске протезеје сложен процес уградње различитих параметара који одређују нивое интеракције између екстремитета и протезе потребне за обављање одређених задатака. На пример, неки параметри одређују крутост роботског коленског зглоба или опсег одступања дозвољен када се нога котрља напред-назад. У овом случају, колено роботске протезе је захтијевало подешавање 12 различитих параметара. Са стандардним приступом, крајњи резултат је обично био далеко од идеалног, али је ипак било погодно да особа стоји на протези и изводи једноставне покрете.

Роботска обука екстремитета јевеома тежак процес коадаптације. Протеза треба буквално да научи да ради у тандему са људским мозгом, који контролише међусобну адаптацију органа у целом организму. Истовремено, неопходно је научити како ходати не само протеза, већ и особа. По правилу, први резултати изгледају прилично незгодно - недалеко од примера са скијама или клизаљкама, за које је особа прво стајала.

Наше тело може реаговати прилично чудностраних објеката који имитирају наставак. На неки начин, наш компјутерски подржани алгоритам машинског учења са учвршћивањем учи да ступа у интеракцију са људским телом “, каже коаутор објављене студије, Јенни Ц, професорица електронског, рачунарског инжењерства и енергије са Аризона Стате Университи.

Задатак подучавања роботских протезаКомпликован је веома ограниченим скупом података доступних за учење алгоритма. На пример, да би тренирали своје АлпхаЗеро и АлпхаСтар алгоритме за играње шаха, играња и СтарЦрафт ИИ, ДеепМинд је користио снимке милиона игара ових игара које су већ одигране. Заузврат, ампутирани за прикупљање потребних података за учење алгоритма неће моћи ходати дуго времена. На пример, они који су посетили Хуанг лабораторију могли су да ходају без заустављања само 15-20 минута, након чега им је требало мало одмора.

Али то нису све тешкоће и ограничења, неомогућавају да се обухвати читав низ образовних информација, истичу истраживачи. На пример, чак и између Кси и Хуанг, пре почетка њиховог пројекта, било је неких расправа о томе да ли волонтерима који учествују у експерименту може бити дозвољено да падну тако да алгоритам може научити ове информације. Као резултат тога, одлучили су да напусте ову идеју, отписујући сигурност волонтера.

Па ипак, чак и поред свих ових потешкоћаПрви резултати су били импресивни. Истраживачи су подучавали алгоритам да идентификује специфичне обрасце у подацима прикупљеним сензорима уграђеним у роботско колено. То је, заузврат, омогућило успостављање прага за функционалност роботске протезе, што је омогућило да се избјегну непожељне ситуације које би могле довести до пада. На крају, алгоритам је научио да се ослања на одређени образац акција, који је омогућио постизање стабилности, глаткоће и веће природности у кретању роботског крака.

Приступ аутоматизованом учењуроботски удови су и даље веома далеко од масовне употребе. Сада научници желе научити алгоритам да глатко управља протезом приликом устајања, подизања (на примјер, са столице) и силаска (на примјер, уз љестве). Поред тога, задатак је да се систем учини аутономнијим, што ће омогућити обуку и прилагођавање протеза не само у лабораторијским условима.

Један од најтежих и истовремено најважнијихЗадаци, према истраживачима, је да развију метод "комуникације" алгоритма и особе, тако да он може да му каже која је од изабраних поставки протезе најпогоднија. Рани покушаји да се овај проблем реши помоћу обичних дугмади и других једноставних метода за унос информација показали су се неефикасним. Можда делом зато што ова верзија интерфејса компјутер-рачунар не дозвољава пренос комплетне слике перцепције људске координације.

"Овај метод није функционисао јер нисмо спремниРазумите све карактеристике људског тела. Прије свега, потребно је попунити неке празнине у темељним знањима из психологије и физиологије “, закључује Хуанг.

Перспективе развоја роботских протеза заснованих на вештачкој интелигенцији могу се дискутовати у нашем телеграму.