Choisissez les paramètres de l’exosquelette tels qu’une station de radio Pandora

Inspirée par les services and products de streaming musical, une équipe d’ingénieurs de l’Université du Michigan, de Google et de Georgia Tech ont conçu le moyen le plus easy permettant aux utilisateurs de programmer leurs propres paramètres d’help à l’exosquelette.

Bien sûr, ce qui est easy pour les utilisateurs est plus complexe en dessous, automobile l’algorithme d’apprentissage automatique présente à plusieurs reprises des paires de profils d’help les plus susceptibles d’être confortables pour l’utilisateur. L’utilisateur choisit ensuite l’un de ces deux éléments et le prédicteur présente un autre profil d’aide qui, selon lui, pourrait être meilleur. Cette approche permet aux utilisateurs d’ajuster l’help de l’exosquelette en fonction de leurs préférences à l’aide d’une interface très easy, utile pour une mise en œuvre sur une montre intelligente ou un téléphone.

“C’est fondamentalement comme Pandora”, a déclaré Elliot Ross, professeur adjoint de robotique et de génie mécanique et auteur correspondant de l’étude à l’UCLA. Robotique scientifique. “Vous lui donnez des commentaires, qu’ils soient positifs ou excellents, et il sélectionne une station de radio en fonction de vos commentaires. C’est une idée similaire, mais avec des paramètres d’help d’exosquelette. Dans les deux cas, nous créons un modèle des préférences de l’utilisateur et l’utilisons. modèle pour améliorer l’expérience utilisateur.

L’équipe a testé cette approche auprès de 14 members, chacun portant une paire d’exosquelettes de cheville alors qu’ils marchaient à un rythme consistent d’environ 2,3 mph. Les volontaires pouvaient prendre autant de temps qu’ils le souhaitaient entre les choix, même s’ils étaient limités à 50 choix. L. a. plupart des members ont sélectionné à plusieurs reprises le même profil d’help dans le cadre de los angeles Résolution 45.

Après 50 excursions, l’équipe bêta a commencé à tester les utilisateurs pour voir si le profil d’help ultimate était vraiment le meilleur, en l’associant à 10 profils générés aléatoirement (mais raisonnables). En moyenne, les members ont choisi les paramètres suggérés par l’algorithme environ neuf fois sur 10, soulignant los angeles précision de l’approche proposée.

“Grâce à des algorithmes intelligents et à une touche d’intelligence artificielle, notre système découvre ce que veulent les utilisateurs grâce à des questions simples par oui ou par non”, a déclaré Ong Hee Lee, récent diplômé d’un doctorat en génie mécanique à l’UM et premier auteur de l’étude. maintenant à Harvard. Société de robotique Nuro. «Je suis ravi que cette approche rende les robots portables confortables et faciles à utiliser, les rapprochant ainsi de leur intégration naturelle dans notre vie quotidienne.»

L’algorithme de contrôle gère quatre paramètres de l’exosquelette : los angeles quantité d’help à fournir (couple de pointe), los angeles durée de transition entre les pics (synchronisation) et los angeles manière dont l’exosquelette augmente et diminue l’help de chaque côté de chaque pic. Cette approche de l’help est basée sur los angeles façon dont le muscle de los angeles jambe ajoute de los angeles pressure pour nous propulser vers l’avant à chaque pas.

Ross a signalé que quelques combinaisons permettent aux utilisateurs d’affiner les paramètres de leur exosquelette.

“Dans los angeles plupart des cas, les contrôleurs sont ajustés en fonction de résultats biomécaniques ou physiologiques”, a déclaré Ross. “Les chercheurs ajustent les paramètres de leurs ordinateurs portables, ce qui réduit le taux métabolique de l’utilisateur. Actuellement, il s’agit de los angeles référence en matière d’évaluation du contrôle des exosquelettes.” .

“Je pense que notre domaine met trop l’accessory sur les assessments de taux métabolique. Les gens sont en réalité très insensibles aux changements de leur taux métabolique, nous développons donc des exosquelettes pour faire quelque selected que les gens ne peuvent pas réellement percevoir.”

En revanche, les approches basées sur les préférences des utilisateurs ne se concentrent pas uniquement sur ce que les utilisateurs peuvent percevoir, mais leur permettent également de prioriser les attributs qu’ils jugent précieux.

L’étude s’appuie sur les efforts antérieurs de l’équipe pour permettre aux utilisateurs d’appliquer leurs propres paramètres à l’exosquelette de los angeles cheville. Dans cette étude, les utilisateurs disposaient d’une grille tactile qui déterminait le niveau d’help sur un awl et le timing de l’help sur un autre awl. Les utilisateurs ont essayé différents issues de los angeles grille jusqu’à ce qu’ils trouvent celui qui leur convenait le mieux.

Une fois que les utilisateurs ont compris ce qui leur convenait, en quelques heures, ils ont pu retrouver leurs paramètres sur le réseau en quelques mins. L. a. nouvelle étude réduit cette période de temps plus longue pour détecter quels réglages sont les meilleurs et introduit deux nouveaux paramètres : remark augmenter et diminuer l’help.

Les données de cette étude précédente ont été utilisées pour alimenter un prédicteur d’apprentissage automatique. L’algorithme évolutif produit des différences basées sur les profils d’aide préférés par les utilisateurs précédents, puis un prédicteur – un réseau neuronal – a classé ces profils d’aide. À chaque choix effectué par les utilisateurs, de nouveaux profils d’aide potentiels sont créés, classés et présentés à l’utilisateur avec son choix précédent.