ИИ ускоряет создание экзоскелетов: новые возможности

Исследователи из Технологического института Джорджии (Georgia Tech) разработали новый подход с использованием искусственного интеллекта (ИИ) для ускорения обучения экзоскелетных систем. Это значительно упрощает процесс разработки, усовершенствования и внедрения носимых роботизированных устройств, предназначенных для помощи людям с нарушениями опорно-двигательного аппарата.

Создание функциональных экзоскелетов для пациентов, перенесших инсульт, или людей с ампутированными конечностями требует времени и значительных финансовых вложений на обучение управляющих систем (контроллеров). Процесс сбора данных от людей, использующих такие устройства, обычно проводится в специализированных лабораториях и является весьма затратным. Более того, любые изменения в конструкции экзоскелета или его системы управления приводили к необходимости повторного сбора данных и переобучения контроллера. Такая сложность делала массовое внедрение экзоскелетов и роботизированных конечностей практически невозможным.

Однако благодаря новым разработкам инженеров и специалистов по компьютерным наукам из Georgia Tech, ситуация меняется. Они создали инструмент на базе ИИ, способный трансформировать большие объемы существующих данных о движениях человека в функциональные контроллеры для экзоскелетов. Это позволяет избежать дорогостоящего сбора данных и длительного обучения для каждого конкретного устройства.

Разработанный ИИ-контроллер демонстрирует высокую эффективность в поддержке широкого спектра движений бедра и колена, не уступая лучшим существующим аналогам. Результаты исследования были опубликованы 19 ноября в журнале Science Robotics.

«Это колоссальное повышение эффективности для нашей исследовательской миссии. Но особенно меня радуют перспективы для реального применения», — отметил Аарон Янг, профессор школы машиностроения Джорджии. «Представьте, стартап хочет выпустить экзоскелет, и в процессе разработки устройство проходит через четыре итерации. Теперь это легко учесть без необходимости проводить масштабный сбор данных при каждом изменении. Именно это было бы неизбежно, если бы мы остались на уровне технологий годичной давности».

Исследование возглавлял бывший аспирант Китон Шерперел, работавший под руководством Янга и Омера Инана из школы электротехники. Все исследователи являются сотрудниками Института робототехники и интеллектуальных машин Georgia Tech. Также в проекте участвовал Мэттью Гомболей из школы интерактивных вычислений, чья команда помогла разработать систему ИИ, лежащую в основе этого прорыва.

В своей работе исследователи использовали генеративно-состязательную сеть (CycleGAN) — тип ИИ, изначально разработанный для сопоставления спутниковых снимков с изображениями той же местности с уровня земли. Этот же алгоритм способен, например, превращать изображения лошадей в изображения зебр.

В данном случае ИИ сопоставлял обширные наборы данных о движениях людей без экзоскелетов с данными о том, как они двигаются в этих устройствах. Затем на основе полученных данных он прогнозировал необходимый уровень роботизированной поддержки для движений в тазобедренном и коленном суставах.

«У нас возникла идея «шага вперед». Мы можем взять неразмеченные биомеханические данные — людей в движении — поместить их в симуляцию и искусственно добавить датчики, как если бы они носили экзоскелет. Затем мы можем представить, как будут выглядеть показания этих датчиков», — пояснил Гомболей. «Конечная цель — использовать эти показания для прогнозирования генерируемого биологического крутящего момента в тазобедренных или коленных суставах. Мы взяли дешевые, масштабные данные и научились отображать их в область, где сбор данных для конкретной системы является дорогостоящим. И это можно адаптировать для любого экзоскелета».

Янг сравнил этот процесс с работой переводчика: ИИ берет информацию на одном «языке» и делает ее понятной для любой конкретной роботизированной системы.

Новая технология построена на предыдущих разработках команды Янга, которые также создавали высокопроизводительные ИИ-контроллеры для экзоскелетов. Однако те решения требовали многолетних усилий по сбору данных о движениях людей в экзоскелете, прежде чем контроллер мог оказывать полезную помощь. Новый класс ИИ-моделей позволяет избежать этих трудоемких этапов.

В отличие от предыдущих «независимых от задачи» контроллеров, данная ИИ-модель не предсказывает намерения пользователя (например, подъем по лестнице или спуск с бордюра). Вместо этого она мгновенно определяет и оценивает движения суставов пользователя и прикладываемые им усилия, после чего экзоскелет усиливает эти усилия до 20%.

«Что меня больше всего воодушевляет, так это то, как это ускоряет не только исследования в нашей лаборатории, но и открывает двери для внедрения наших контроллеров робототехниками, не имеющими доступа к такому оборудованию, как у нас», — сказал Шерперел, ныне старший инженер по управлению в компании Skip. «Это потенциально увеличит скорость и количество исследователей, которые смогут работать над этим. А при таком сочетании, кто знает, какие удивительные вещи могут быть созданы на этой основе».

Исследование подтвердило эффективность ИИ-трансляции на примере экзоскелета для ног, обеспечивающего поддержку в тазобедренном и коленном суставах. Однако потенциал этой технологии простирается гораздо дальше.

«В широком смысле, мы сможем применить достижения этой работы к системам для верхней части тела, протезам и, возможно, даже к автономным роботам», — заключил Янг. «Это главное достижение. И здесь команда Мэттью оказала нам неоценимую помощь, создав ИИ, осуществляющий эту трансляцию. Теперь у нас есть возможность сотрудничать с отраслевыми партнерами и внедрять эти контроллеры в реальные системы, которыми будут пользоваться люди, надеемся, в ближайшем будущем».