哈佛大學研發新演算法可定製柔性外骨骼的個性化控制策略

當外骨骼變得柔軟時，比如哈佛大學Biodesign實驗室設計的exosuit，穿戴者和機器人更需要同步。但每個人的移動方式有所不同，為個人用戶定製機器人是一件非常費時費力的事情，並且效率極低。

日前， Wyss生物啟發工程研究所和哈佛大學John A. Paulson工程應用與科學學院（SEAS）的研究人員開發出了一種高效的機器學習演算法，該演算法可以為柔性可穿戴外骨骼快速定製個性化控制策略。

該研究成果已經發表在《科學機器人》（Science Robotics）雜誌上。

SEAS的博士後研究員、論文第一作者Ye Ding表示，「這種新方法可以快速有效地優化輔助可穿戴設備控制參數設置。使用這種方法，可以極大地改善髖部伸展輔助裝置佩戴者的代謝性能。」

當人類行走時，我們不斷調整移動方式以實現節能（也稱為代謝成本）。

SEAS博士後研究員、論文的聯合第一作者Myunghee Kim博士說，「之前，如果有三個不同的用戶使用輔助設備行走，就需要有三種不同的輔助策略。為每個穿戴者找到合適的控制參數是一個困難的、循序漸進的過程，因為不僅所有的人走路有點不同，而且手動調整參數所需的實驗也是複雜而耗時的。」

研究人員在Wyss研究所核心成員、John L. Loeb工程與應用科學副教授以及SEAS工程和計算機科學助理教授Scott Kuindersma博士領導的帶領下，開發了一種演算法，可以通過該變異性，快速確定最佳的控制參數，最大限度地減少用於行走的能量。

研究人員使用所謂的人體迴路優化，它利用呼吸率等人體生理信號的實時測量來調節設備的控制參數。隨著該演算法在最佳參數上的磨礪，它指示Exosuit在何時何地提供輔助力提高伸髖。該團隊使用的貝葉斯優化方法首次在PLOS ONE去年發表的一篇論文中提出。

與沒有設備的步行相比，該演算法與套裝相結合的代謝成本降低了17.4%。與團隊以前的研究相比，這個數字提高了60％以上。

Kuindersma表示，「優化和學習演算法未來將對用於輔助行走的可穿戴機器人設備產生巨大影響。這些結果表明，即使是非常簡單的控制器的優化，也能為用戶在行走時提供顯著的個性化優勢。將這些想法擴展到考慮更具表達能力的控制策略和具有不同需求和能力的人將是下一個令人興奮的事情。」

Walsh認為，「對於可穿戴機器人來說，例如柔性的exosuits，關鍵是在正確的時間提供恰當的輔助，這樣他們就可以與穿戴者協同工作。利用這些在線優化演算法，系統可以學習如何在大約二十分鐘內自動完成，從而最大限度地造福穿戴者。」

未來，該團隊的目標是將優化應用於更複雜的設備，同時協助多個關節，如髖關節和踝關節。

Ding表示，「在論文中，我們通過優化髖部延伸來證明代謝成本的大幅降低。這表明你可以用一個強大的大腦和優秀的硬體來完成很多事情。」

這項研究得到了美國國防高級研究計劃局（DARPA）、Warrior Web Program以及哈佛大學Wyss生物啟發工程研究所和哈佛大學John A. Paulson工程與應用科學學院的支持。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！