Et hold forskere har udviklet en ny metode til at styre exoskeletter til underekstremiteterne ved hjælp af deep reinforcement learning. Metoden, som blev udviklet i et Journal of NeuroEngineering and Rehabilitation (tidsskrift for neuroteknik og rehabilitering) beskrevet i en undersøgelse offentliggjort i tidsskriftet, muliggør en mere robust og naturlig gangkontrol for brugere af exoskeletter til underekstremiteterne.
Mens fremskridt inden for bærbar robotteknologi har hjulpet med at genskabe mobiliteten hos mennesker med nedsat funktion i underekstremiteterne, er de nuværende kontrolmetoder til exoskeletter begrænsede i deres evne til at give brugerne naturlige og intuitive bevægelser. Det kan påvirke balancen og bidrage til træthed og ubehag hos brugeren. Kun få undersøgelser har fokuseret på at udvikle robuste styringer, der kan optimere brugeroplevelsen med hensyn til sikkerhed og uafhængighed.
Eksisterende exoskeletter til rehabilitering af underekstremiteter bruger en række forskellige teknologier til at hjælpe brugeren med at holde balancen, herunder specielle krykker og sensorer, ifølge medforfatter Ghaith Androwis, seniorforsker ved Kessler Foundations Center for Mobility and Rehabilitation Engineering Research og direktør for centrets Rehabilitation Robotics and Research Laboratory. Dem uden sådanne hjælpemidler giver mulighed for mere uafhængig gang, men på bekostning af ekstra vægt og langsommere ganghastighed.
"Avancerede kontrolsystemer er afgørende for udviklingen af et exoskelet til underekstremiteterne, som gør det muligt at gå selvstændigt og uafhængigt under forskellige forhold," siger Dr. Androwis. Den nye metode, som forskerholdet har udviklet, bruger deep reinforcement learning til at forbedre styringen af exoskelettet. Reinforcement learning er en form for kunstig intelligens, der gør det muligt for maskiner at lære af deres egne erfaringer gennem forsøg og fejl.
"Ved hjælp af en muskuloskeletal model kombineret med et exoskelet simulerede vi underbenets bevægelser og trænede exoskeletets kontrolsystem til at opnå naturlige gangmønstre ved hjælp af reinforcement learning," forklarer forfatter Xianlian Zhou, lektor og direktør for BioDynamics Lab på Department of Biomedical Engineering på New Jersey Institute of Technology (NJIT). "Vi tester systemet under virkelige forhold med et exoskelet til underekstremiteterne, som vores team er ved at udvikle, og resultaterne viser potentialet for forbedret gangstabilitet og reduceret træthed hos brugeren."
Holdet fandt ud af, at deres foreslåede model producerer en universel, robust gangkontrol, der er i stand til at håndtere forskellige niveauer af interaktioner mellem menneske og skelet uden behov for parameterindstilling. Det nye system har potentiale til at gavne en bred vifte af brugere, herunder mennesker med rygmarvsskader, multipel sklerose, slagtilfælde og andre neurologiske tilstande. Forskerne planlægger at fortsætte med at teste systemet med brugere og yderligere forfine kontrolalgoritmerne for at forbedre gangpræstationen.
"Vi er begejstrede for dette nye systems potentiale til at forbedre livskvaliteten for mennesker med nedsat funktionsevne i underekstremiteterne," siger Dr. Androwis. "Ved at muliggøre mere naturlige og intuitive gangmønstre håber vi at kunne hjælpe exoskeletbrugere med at bevæge sig lettere og mere selvsikkert."
