21/03/2024
Door Ad Spijkers
Amerikaanse onderzoekers hebben een 'wear and go' aanpak voor exoskeletten en robotische prothesen ontwikkeld waarvoor geen kalibratie of training vereist is.
Robotachtige exoskeletten die zijn ontworpen om mensen te helpen bij het lopen of bij fysiek zwaar werk zijn al tientallen jaren onderwerp van science fiction verhalen. Maar toekomstmuziek zijn deze voorzieningen al lang niet meer. Wereldwijd werken onderzoekers aan robotondersteuning die werknemers kan beschermen tegen pijnlijke verwondingen en die patiënten met een beroerte kan helpen hun mobiliteit terug te krijgen.
Universele controller
Tot nu toe hebben dergelijke apparaten uitgebreide kalibratie en context-specifieke afstemming nodig gehad, waardoor ze grotendeels beperkt blijven tot onderzoekslaboratoria. Werktuigbouwkundigen bij het Georgia Institute of Technology (Georgia Tech) in Atlanta willen daar verandering in brengen, waardoor exoskelet-technologie kan worden ingezet in huizen, op werkplekken en meer.
Een team van onderzoekers heeft een universele aanpak ontwikkeld voor het besturen van robotachtige exoskeletten die geen training, geen kalibratie en geen aanpassingen aan ingewikkelde algoritmen vereist. In plaats daarvan kunnen gebruikers de 'exo' aantrekken en gaan. Het systeem maakt gebruik van deep learning om autonoom aan te passen hoe het exoskelet hulp biedt. De onderzoekers hebben aangetoond dat het 'unified control framework' naadloos werkt ter ondersteuning van lopen, staan en traplopen of hellingen beklimmen.
Hun doel was niet alleen om controle te bieden over verschillende activiteiten, maar om één verenigd systeem te creëren. De gebruiker of therapeut hoeft geen knoppen in te drukken om tussen modi te schakelen of een classificatie-algoritme te hebben dat probeert te voorspellen dat de drager een trap oploopt of loopt.
Machine learning
Het meeste eerdere werk op dit gebied concentreerde zich op één activiteit tegelijk, zoals lopen op een vlakke ondergrond of een trap op. De betrokken algoritmen proberen doorgaans de omgeving te classificeren om gebruikers de juiste hulp te bieden. Het team aan Georgia Tech zette die benadering overboord. In plaats van zich te concentreren op de omgeving, concentreerden ze zich op de mens: wat er gebeurt met spieren en gewrichten. Dat betekende dat de specifieke activiteit er niet toe deed.
Een echte beweging is rommelig. De onderzoekers hebben hun controller daarom gebaseerd op de onderliggende fysiologie van de gebruiker. Wat het lichaam op enig moment doet, vertelt alles over wat de controller moet weten over de omgeving. Vervolgens hebben ze machine learning gebruikt als de 'vertaler' tussen wat de sensoren op het exoskelet meten en welke koppels de spieren genereren.
Minder energie
De controller bood ondersteuning via een door het team ontwikkeld exoskelet van de heup. De onderzoekers ontdekten ze dat ze de metabolische en biomechanische inspanning van gebruikers konden verminderen. Ze verbruikten minder energie en hun gewrichten hoefden niet zo hard te werken vergeleken met het helemaal niet dragen van het apparaat. Het dragen van het exoskelet was een voordeel voor de gebruikers, zelfs met het extra gewicht dat door het apparaat zelf werd toegevoegd.
Het exoskelet past zich aan aan de interne dynamiek van elke persoon, zonder enige afstemming of heuristische aanpassingen. Dat is een groot verschil met veel onderzoekswerk. Er is geen onderwerp-specifieke afstemming of wijziging van parameters om het te laten werken. Het besturingssysteem in dit onderzoek is ontworpen voor apparaten met gedeeltelijke ondersteuning. Deze exoskeletten ondersteunen beweging in plaats van de inspanning volledig te vervangen.
Het onderzoeksteam gebruikte een bestaand algoritme en trainde het op veel kracht- en bewegingsdata die ze in het laboratorium hadden verzameld. Proefpersonen van verschillende geslachten en lichaamstypes droegen het aangedreven heupexoskelet. Ze liepen met verschillende snelheden op krachtmeetplaten, beklommen in hoogte verstelbare trappen, liepen hellingen op en af en wisselden tussen die bewegingen. Elke beweging werd opgenomen en gecatalogiseerd om te begrijpen wat gewrichten bij elke activiteit deden.
De wetenschappelijke publicatie vindt u hier.
Foto: Candler Hobbs, Georgia Institute of Technology