هنگامی که با دستگاه‌های کمکی و نرم همچون رباتهای پوشیدنی کار می‌کنیم، باید این نکته را درنظر بگیریم که فرد پوشنده و ربات باید هماهنگ باشند. اما هر انسانی با روشی ویژه و منحصر بفرد حرکت می‌کند و تنظیم پارامترهای ربات برای هر کاربر فرآیندی زمان گیر و ناکارآمد است. پژوهشگران مؤسسه Wyss هاروارد یک الگوریتم یادگیری ماشین کارآمد طراحی کرده‌اند که می‌تواند به سرعت ویژگی‌های شخصی رباتهای پوشیدنی و نرم را تنظیم کند. با مجله فناوریهای توان‌افزا و پوشیدنی همراه باشید.
Ye Ding، نخستین نویسنده این پژوهش، گفت: «این روش جدید یک راه مؤثر و سریع برای بهینه‌سازی پارامترهای کنترلی وسایل پوشیدنی کمکی است. با استفاده از این روش، ما بهبود قابل ملاحظه‌ای در عملکرد سوخت و ساز افراد دارنده یک دستگاه کمکی مفصل ران به دست آوردیم». ما انسان‌ها هنگام راه رفتن به طور مداوم چگونگی حرکت خود را تغییر می‌دهیم تا در مصرف انرژی صرفه جویی کنیم.
Myunghee Kim، یکی دیگر از نویسندگان مقاله، گفت: «پیش از این، برای سه کاربر مختلف که قصد داشتند با دستگاه‌های کمکی راه بروند، به سه راهکار کمک‌رسانی نیاز داشتیم. پیدا کردن پارامترهای مناسب کنترلی برای هر کاربر فرآیندی سخت و پیچیده است. زیرا نه تنها همه انسان‌ها به طور ویژه‌ای حرکت می‌کنند، بلکه آزمایش‌های مورد نیاز برای تنظیم دستی پارامترها پیچیده و وقت گیر است».
این پژوهشگران به رهبری کانر والش (Conor Walsh)، یکی از مهره‌های اصلی مؤسسه Wyss و Scott Kuindersma استادیار دانشکده مهندسی و علوم کاربردی جان ای پالسون دانشگاه هاروارد (SEAS)، الگوریتمی ایجاد کرده‌اند که می‌توان از طریق آن بهترین پارامترهای کنترلی را به سرعت شناسایی کرد تا بهترین عملکرد برای کاهش انرژی مورد استفاده هنگام راه رفتن به دست آید.
پژوهشگران به اصطلاح از بهینه‌سازی انسان در حلقه (Human-in-the-loop) استفاده کرده‌اند که از اندازه‌گیری سیگنال‌های فیزیولوژیکی بدن همچون میزان تنفس برای تنظیم پارامترهای کنترل دستگاه بهره می‌برد. همانطور که الگوریتم بهترین پارامترها را انتخاب می‌کند همزمان آنها را به اسکلت بیرونی و ربات پوشیدنی اعمال می‌کند. ترکیب الگوریتم و اسکلت بیرونی موجب کاهش هزینه ۱۷٫۴ درصدی متابولیسم (هزینه سوخت و ساز) در مقایسه با راه رفتن بدون دستگاه می‌شود. این میزان نسبت به کار پیشین گروه بیش از ۶۰ درصد بهبود یافته است.
Kuindersma گفت: «الگوریتم‌های بهینه‌سازی و یادگیری تأثیر بسیاری بر دستگاه‌های رباتیک پوشیدنی آینده برای کمک به طیف وسیعی از رفتارها خواهد داشت. این نتایج نشان می‌دهد که بهینه سازی کنترل کننده‌های بسیار ساده می‌تواند مزایای قابل توجه و منحصر به فردی برای کاربران حین راه رفتن ارائه دهد».
والش گفت: «با رباتهای پوشیدنی همچون اسکلت‌های بیرونی نرم بسیار مهم است که کمک‌های مناسب در زمان مناسب انجام شود و ربات با کاربر هماهنگی داشته باشد. با استفاده از این الگوریتم بهینه سازی برخط، سامانه‌ها می‌توانند یاد بگیرند که چگونه این هماهنگی را بطور خودکار و در حدود بیست دقیقه به دست آورند». این گروه قصد دارد بهینه‌سازی را به یک دستگاه پیچیده‌تر اعمال کند که در عین حال از چندین مفصل همچون کمر و مچ پا حمایت می‌کند.
بیشتر بخوانیم:
>>نخستین استاندارد اسکلت بیرونی و رباتهای پوشیدنی
>>بررسی رویدادهای صنعت اسکلت بیرونی و رباتیک پوشیدنی در سال ۲۰۱۶
منبع: wyss.harvard.edu
«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توان افزا و پوشیدنی) مجاز است.»
