Ein Forscherteam hat eine neue Methode entwickelt, um Exoskelette der unteren Gliedmaßen mithilfe von Deep Reinforcement Learning zu kontrollieren. Die Methode, die in einer im Journal of NeuroEngineering and Rehabilitation veröffentlichten Studie beschrieben wurde, ermöglicht eine robustere und natürlichere Gehkontrolle für Benutzer von Exoskeletten der unteren Extremitäten.
Während Fortschritte in der tragbaren Robotik dazu beigetragen haben, die Mobilität von Menschen mit Beeinträchtigungen der unteren Gliedmaßen wiederherzustellen, sind die derzeitigen Steuerungsmethoden für Exoskelette in ihrer Fähigkeit, den Benutzern natürliche und intuitive Bewegungen zu ermöglichen, begrenzt. Dies kann das Gleichgewicht beeinträchtigen und zu Ermüdung und Unbehagen des Benutzers beitragen. Nur wenige Studien haben sich auf die Entwicklung robuster Steuerungen konzentriert, die die Benutzererfahrung in Bezug auf Sicherheit und Unabhängigkeit optimieren können.
Bestehende Exoskelette für die Rehabilitation der unteren Gliedmaßen verwenden eine Vielzahl von Technologien, um dem Benutzer zu helfen, das Gleichgewicht zu halten, einschließlich spezieller Krücken und Sensoren, so Mitautor Ghaith Androwis, leitender Wissenschaftler im Zentrum für Mobilitäts- und Rehabilitationsingenieurforschung der Kessler-Stiftung und Direktor des Rehabilitationsrobotik- und Forschungslabors des Zentrums. Diejenigen, die ohne solche Helfer auskommen, ermöglichen ein unabhängigeres Gehen, allerdings auf Kosten von zusätzlichem Gewicht und langsamer Gehgeschwindigkeit.
„Fortschrittliche Kontrollsysteme sind unerlässlich für die Entwicklung eines Exoskeletts der unteren Extremitäten, das autonomes, unabhängiges Gehen unter einer Reihe von Bedingungen ermöglicht“, sagte Dr. Androwis. Die neuartige Methode, die das Forschungsteam entwickelt hat, nutzt Deep Reinforcement Learning, um die Kontrolle des Exoskeletts zu verbessern. Reinforcement Learning ist eine Form der künstlichen Intelligenz, die es Maschinen ermöglicht, durch Versuch und Irrtum aus ihren eigenen Erfahrungen zu lernen.
„Mit einem muskuloskelettalen Modell, das mit einem Exoskelett gekoppelt ist, haben wir die Bewegungen der unteren Extremität simuliert und das Exoskelett-Kontrollsystem trainiert, um mithilfe von Reinforcement Learning natürliche Gehmuster zu erreichen“, erklärt der korrespondierende Autor Xianlian Zhou, außerordentlicher Professor und Direktor des BioDynamics Lab in der Abteilung für Biomedizintechnik am New Jersey Institute of Technology (NJIT). „Wir testen das System unter realen Bedingungen mit einem Exoskelett für die unteren Gliedmaßen, das von unserem Team entwickelt wird, und die Ergebnisse zeigen das Potenzial für eine verbesserte Gehstabilität und eine geringere Ermüdung des Benutzers.“
Das Team stellte fest, dass ihr vorgeschlagenes Modell einen universellen, robusten Laufregler erzeugt, der in der Lage ist, verschiedene Ebenen von Mensch-Exoskelett-Interaktionen zu handhaben, ohne dass eine Abstimmung der Parameter erforderlich ist. Das neue System hat das Potenzial, einer Vielzahl von Anwendern zugute zu kommen, darunter Menschen mit Rückenmarksverletzungen, Multipler Sklerose, Schlaganfall und anderen neurologischen Erkrankungen. Die Forscher planen, das System weiterhin mit Nutzern zu testen und die Steuerungsalgorithmen weiter zu verfeinern, um die Gehleistung zu verbessern.
„Wir sind begeistert von dem Potenzial dieses neuen Systems, die Lebensqualität von Menschen mit Beeinträchtigungen der unteren Gliedmaßen zu verbessern“, sagte Dr. Androwis. „Indem wir natürlichere und intuitivere Laufmuster ermöglichen, hoffen wir, den Nutzern von Exoskeletten zu helfen, sich leichter und selbstbewusster zu bewegen.“