Могут ли бионические ноги улучшиться с помощью нейронных сетей? | InvaNews

Могут ли бионические ноги улучшиться с помощью нейронных сетей?

00:00:00
3 минуты
Могут ли бионические ноги улучшиться с помощью нейронных сетей?
livingwithamplitude com

Протезы с усиленным коленом и голеностопом значительно улучшили положение людей с ампутированными нижними конечностями, значительно повысив комфорт и уверенность пользователей на лестницах, холмах, каменистых тропах и другой сложной местности. Но, несмотря на все их функциональные усовершенствования, этим устройствам все еще не хватает эффективности при изменяющейся топографии.

Переходы между походками — от ровной площадки к лестнице, от пологого наклона к крутому холму и так далее — не происходят плавно или интуитивно. Следовательно, для использования этих устройств требуется начальная кривая обучения и постоянная когнитивная нагрузка.

Исследователи из Северо-Западного университета и лаборатории способностей Ширли Райан пытаются покорить эту вершину. В осеннем выпуске Wearable Technologies они описывают силовой протез ноги,
который позволяет людям с ампутированными конечностями легко и интуитивно менять походку, когда земля поднимается и опускается. “Этот не требующий обучения и интуитивно понятный метод управления работает в разных режимах передвижения”, - пишут они, что является большим шагом к раскрытию всего потенциала устройств этого класса.

Secret sauce - это механизм управления походкой, в котором используется глубокая нейронная сеть, или DNN. Если вы не совсем уверены, что такое DNN (мы не были уверены), вот довольно хорошее введение.
 По сути, это продвинутая форма искусственного интеллекта, которая синтезирует несколько типов входных данных, анализирует сложные наборы данных, прогнозирует результаты и учится на собственных ошибках.

 Виртуальные помощники, такие как Siri, работают на DNN. Netflix и другие потоковые сети используют DNN, чтобы узнать о ваших привычках просмотра и предложить новый контент, который может вам понравиться. Они используются в автономных транспортных средствах, программном обеспечении для распознавания лиц, цифровом маркетинге и ряде других обычных приложений.

Многие современные протезы управляются искусственным интеллектом, но в этих системах используется иерархическая структура, которая требует многократного переключения для передачи команд ИИ компонентам, выполняющим фактическую работу. Контроллеры высокого уровня посылают сигналы одному или нескольким контроллерам среднего уровня, которые, в свою очередь, передают инструкции контроллерам низкого уровня, которые управляют силовыми суставами.

“Мы считаем, что альтернативным подходом к решению этой проблемы было бы использование инструментов глубокого обучения для создания прямого сопоставления между датчиками, доступными на устройстве, и моторными командами, необходимыми для восстановления передвижения”, - пишут авторы этой статьи.
 “DNN обеспечивают сквозное обучение от входных данных до выходных данных практически без предварительных знаний, и это упрощает систему”.

Исследователи протестировали устройство на полудюжине людей с ампутированными конечностями выше колена. Чтобы установить базовый уровень, все испытуемые сначала прошли серию тестов передвижения на различных поверхностях (плоских, наклонных и лестничных), при этом брелок использовался для ручного изменения настроек между различными режимами передвижения. Затем они выполнили те же задачи при ходьбе, используя устройство, оснащенное DNN. Чтобы оценить способность нейронных сетей к обучению, испытуемые провели пять отдельных испытаний для каждого режима походки.

“Хотя модель была обучена только на относительно небольшом количестве испытуемых, которые прошли в общей сложности 5417 шагов, метод показал многообещающие результаты, даже при тестировании на новом испытуемом”, - пояснили авторы. “DNN ... позволил испытуемым успешно передвигаться в большинстве испытаний с общим показателем успеха 96%”.

Качественный опыт испытуемых с ногой, оснащенной DNN, был весьма неубедительным. “Пользователи сообщили, что они почувствовали различия между двумя методами, - отмечается в документе, - но большинство отметили, что было трудно сказать, какой метод, если любой, был предпочтительным. Для проверки того, что лучше, могут потребоваться подробные сравнения, учитывающие переменные факторы, такие как затраты на метаболизм ”.

Наконец, авторы отметили, что производительность DNN в этом предварительном испытании могла быть ограничена узостью тренировочной базы.

 “Включение данных от большего числа пользователей, - отметили они, - а также пользователей, выполняющих более разнообразные позы для инициирования движения, включая большую вариативность в каждом режиме передвижения, может позволить модели распознавать более высокий процент задач”.

Читайте также