辅助设备如exosuits被各种开发人员包括哈佛大学生物设计制造实验室。为了使这些软,辅助设备正常工作,佩戴者和机器人需要同步。然而,由于每个人在不同的风格,调整机器人适合个人用户的需要是费时和低效的过程。
现在,哈佛大学的研究人员已经开发出一种有效的机器学习算法,可以快速定制个性化的控制软策略,可穿戴exosuits,显著提高设备的性能。
研究小组由康纳沃尔什,约翰·l·勒布工程和应用科学学院副教授和斯科特•Kuindersma海洋工程和计算机科学教授助理。
阅读更多外骨骼设计与人类互动
”这种新方法是一种有效、快捷的方法来优化控制参数设置辅助可穿戴设备,“说co-first作者你们叮,博士后研究员约翰·a·保尔森工程和应用科学学院(海洋)。“使用这种方法,我们取得了巨大的进步在代谢表现穿着者的臀部扩展辅助设备。”
当我们走,我们不断调整如何移动为了节约能源,在医学术语,被称为代谢消耗。
根据Myunghee金,另一个海洋co-first作者和博士后研究员,在过去,三个不同的用户与辅助设备行走时,系统要求3不同的援助策略,不仅非常困难,因为所有的人类走不同的实验需要复杂的手工调优。
可变性的研究人员开发了一个算法,可以穿透并迅速找到最适合的最佳控制参数减少走路的异常。
调整设备的控制参数,研究人员使用所谓human-in-the-loop优化,利用实时测量人体生理信号像呼吸率。作为专注于最好的算法参数,它指示在何时何地exosuit交付其辅助力量增强髋关节扩展。使用的贝叶斯优化方法首次报道团队去年在一篇论文中PLOSone。
算法的结合,适合代谢消耗降低了17.4%,相比没有设备。为团队提供这项工作比以前的工作相比提高60%。
Kuindersma说,优化学习算法将极大地影响未来的可穿戴机器人设备旨在帮助一系列行为。
接下来,研究人员旨在优化应用到更复杂的设备,协助多个关节,如髋关节和踝关节,在同一时间。
研究结果发表在科学的机器人。