När det kommer till mjukt, hjälpmedel – som exosdräkten som designats av Harvard Biodesign Lab – måste bäraren och roboten vara synkroniserade. Men varje människa rör sig lite olika och att skräddarsy robotens parametrar för en enskild användare är en tidskrävande och ineffektiv process.

Nu, forskare från Harvard John A. Paulson School of Engineering and Applied and Sciences (SEAS) och Wyss Institute for Biologically Inspired Engineering har utvecklat en effektiv maskininlärningsalgoritm som snabbt kan skräddarsy personliga styrstrategier för mjuka, bärbara exosuits.

Forskningen beskrivs i Vetenskapsrobotik .

"Denna nya metod är ett effektivt och snabbt sätt att optimera kontrollparameterinställningar för bärbara hjälpmedel, " sa Ye Ding, en postdoktor vid SEAS och medförfattare till forskningen. "Med den här metoden, vi uppnådde en enorm förbättring av metabolisk prestanda för bärare av ett höftförlängningshjälpmedel."

När människor går, vi justerar ständigt hur vi rör oss för att spara energi (även känd som metabolisk kostnad).

"Innan, om du hade tre olika användare som gick med hjälpmedel, du skulle behöva tre olika hjälpstrategier, " sa Myunghee Kim, en postdoktor vid SEAS och medförfattare till artikeln. "Att hitta rätt kontrollparametrar för varje bärare brukade vara svårt, steg-för-steg-process eftersom inte bara alla människor går lite olika, utan de experiment som krävs för att manuellt ställa in parametrar är komplicerade och tidskrävande."

Forskarna, ledd av Conor Walsh, John L. Loeb docent i teknik och tillämpad vetenskap, och Scott Kuindersma, biträdande professor i teknik och datavetenskap vid SEAS, utvecklat en algoritm som kan skära igenom den variationen och snabbt identifiera de bästa kontrollparametrarna som fungerar bäst för att minimera promenaden.

Forskarna använde så kallad human-in-the-loop-optimering, som använder realtidsmätningar av mänskliga fysiologiska signaler, såsom andningsfrekvens, för att justera enhetens kontrollparametrar. När algoritmen finslipade de bästa parametrarna, den riktade exodressen på när och var den skulle leverera sin hjälpkraft för att förbättra höftförlängningen. Den Bayesianska optimeringsmetod som används av teamet rapporterades först i en tidning förra året i PLOSone.

Kombinationen av algoritmen och kostymen minskade den metaboliska kostnaden med 17,4 procent jämfört med att gå utan enheten. Detta var en förbättring på mer än 60 procent jämfört med teamets tidigare arbete.

"Optimerings- och inlärningsalgoritmer kommer att ha stor inverkan på framtida bärbara robotenheter som är utformade för att hjälpa en rad olika beteenden, ", sa Kuindersma. "Dessa resultat visar att optimering av även mycket enkla kontroller kan ge en betydande, individualiserad nytta för användarna när de går. Att utvidga dessa idéer till att överväga mer uttrycksfulla kontrollstrategier och människor med olika behov och förmågor kommer att vara ett spännande nästa steg."

"Med bärbara robotar som mjuka exosuits, det är avgörande att rätt assistans levereras vid rätt tidpunkt så att de kan arbeta synergistiskt med bäraren, " sa Walsh. "Med dessa onlineoptimeringsalgoritmer, system kan lära sig hur man uppnår detta automatiskt på cirka tjugo minuter, på så sätt maximerar nyttan för bäraren."

Nästa, teamet syftar till att tillämpa optimeringen på en mer komplex enhet som hjälper flera leder, som höft och fotled, på samma gång.

"I det här pappret, vi visade en hög minskning av metabola kostnader genom att bara optimera höftförlängning, ", sa Ding. "Detta visar vad du kan göra med en bra hjärna och bra hårdvara."