Cuando se trata de suave, dispositivos de asistencia, como el exotraje que está diseñando el Harvard Biodesign Lab, el usuario y el robot deben estar sincronizados. Pero cada ser humano se mueve de manera un poco diferente y adaptar los parámetros del robot a un usuario individual es un proceso ineficiente y que requiere mucho tiempo.

Ahora, investigadores de la Escuela de Ingeniería y Ciencias Aplicadas y Aplicadas (SEAS) de Harvard John A. Paulson y el Instituto Wyss de Ingeniería de Inspiración Biológica han desarrollado un algoritmo de aprendizaje automático eficiente que puede adaptar rápidamente estrategias de control personalizadas para aplicaciones suaves, exotrajes portátiles.

La investigación se describe en Ciencia Robótica .

"Este nuevo método es una forma rápida y eficaz de optimizar la configuración de los parámetros de control para dispositivos portátiles de asistencia, "dijo Ye Ding, becario postdoctoral en SEAS y co-primer autor de la investigación. "Con este método, logramos una gran mejora en el rendimiento metabólico para los usuarios de un dispositivo de asistencia para la extensión de cadera ".

Cuando los humanos caminan modificamos constantemente la forma en que nos movemos para ahorrar energía (también conocido como costo metabólico).

"Antes, si tuvieras tres usuarios diferentes caminando con dispositivos de asistencia, necesitaría tres estrategias de asistencia diferentes, "dijo Myunghee Kim, becario de investigación postdoctoral en SEAS y co-primer autor del artículo. "Encontrar los parámetros de control adecuados para cada usuario solía ser una tarea difícil, proceso paso a paso porque no solo todos los seres humanos caminan de forma un poco diferente, sino que los experimentos necesarios para ajustar manualmente los parámetros son complicados y requieren mucho tiempo "

Los investigadores, dirigido por Conor Walsh, el Profesor Asociado John L. Loeb de Ingeniería y Ciencias Aplicadas, y Scott Kuindersma, Profesor Asistente de Ingeniería e Informática en SEAS, desarrolló un algoritmo que puede eliminar esa variabilidad e identificar rápidamente los mejores parámetros de control que funcionan mejor para minimizar la capacidad de caminar.

Los investigadores utilizaron la llamada optimización humana en el ciclo, que utiliza mediciones en tiempo real de señales fisiológicas humanas, como la frecuencia respiratoria, para ajustar los parámetros de control del dispositivo. A medida que el algoritmo perfeccionó los mejores parámetros, dirigió el exotraje sobre cuándo y dónde aplicar su fuerza de asistencia para mejorar la extensión de la cadera. El enfoque de optimización bayesiana utilizado por el equipo se informó por primera vez en un artículo el año pasado en PLOSone.

La combinación del algoritmo y el traje redujo el costo metabólico en un 17.4 por ciento en comparación con caminar sin el dispositivo. Esta fue una mejora de más del 60 por ciento en comparación con el trabajo anterior del equipo.

"Los algoritmos de optimización y aprendizaje tendrán un gran impacto en los futuros dispositivos robóticos portátiles diseñados para ayudar a una variedad de comportamientos, ", dijo Kuindersma." Estos resultados muestran que la optimización incluso de controladores muy simples puede proporcionar una significativa, beneficio individualizado para los usuarios mientras caminan. Ampliar estas ideas para considerar estrategias de control más expresivas y personas con necesidades y habilidades diversas será un próximo paso emocionante ".

"Con robots portátiles como exotrajes suaves, Es fundamental que se brinde la asistencia adecuada en el momento adecuado para que puedan trabajar sinérgicamente con el usuario. ", dijo Walsh." Con estos algoritmos de optimización en línea, los sistemas pueden aprender cómo lograr esto automáticamente en unos veinte minutos, maximizando así el beneficio para el usuario ".

Próximo, el equipo tiene como objetivo aplicar la optimización a un dispositivo más complejo que ayuda a múltiples articulaciones, como la cadera y el tobillo, al mismo tiempo.

"En este papel, demostramos una alta reducción en el costo metabólico simplemente optimizando la extensión de la cadera, ", dijo Ding." Esto demuestra lo que se puede hacer con un gran cerebro y un gran hardware ".