Αυτός ο εξωσκελετός που λειτουργεί με AI θα μπορούσε να επιταχύνει την υιοθέτηση από τις μάζες
Οι εξωσκελετοί θα μπορούσαν να βοηθήσουν τα άτομα με ειδικές ανάγκες να κυκλοφορούν ξανά ελεύθερα και μια μέρα να ενισχύσουν τη δύναμη και την αντοχή των εργαζομένων που κάνουν χειρωνακτική εργασία. Μια νέα προσέγγιση που βασίζεται στην τεχνητή νοημοσύνη για την κατασκευή αυτών των συσκευών θα μπορούσε να βοηθήσει στην επέκταση της χρήσης τους.
Ενώ ο όρος εξωσκελετός μπορεί να θυμίζει εικόνες από ταινίες επιστημονικής φαντασίας ανθρώπων εγκλωβισμένων σε τεράστια ρομποτικά σώματα, η πραγματική έκδοση τείνει να είναι πιο μετριοπαθής. Συνήθως, αυτές οι συσκευές διαθέτουν μερικούς ρομποτικούς μεντεσέδες δεμένους στη μέση του χρήστη, όπου προσθέτουν δύναμη στα πόδια ενός ατόμου ενώ περπατάει, τρέχει ή ανεβαίνει σκάλες.
Αλλά η διασφάλιση ότι αυτές οι συσκευές παρέχουν επιπλέον χυμό την κατάλληλη στιγμή είναι πιο δύσκολη από ό, τι φαίνεται και απαιτεί λεπτομερή κατανόηση της εμβιομηχανικής του χρήστη. Αυτό συχνά επιτυγχάνεται με την εκπαίδευση αλγορίθμων μηχανικής μάθησης σε δεδομένα που συλλέγονται από ανθρώπους ενώ φορούν τη συσκευή, αλλά είναι χρονοβόρο και δαπανηρό να συγκεντρωθεί.
Μια νέα προσέγγιση «χωρίς πειράματα» καταργεί την ανάγκη για αυτά τα δεδομένα και εκπαιδεύει το μοντέλο AI στην προσομοίωση. Αυτό θα πρέπει να συντομεύσει δραματικά τον κύκλο ανάπτυξης της τεχνολογίας, λένε οι συντάκτες μιας νέας μελέτης σχετικά με την τεχνική στο Nature.
“Οι εξωσκελετοί έχουν τεράστιες δυνατότητες να βελτιώσουν την απόδοση της ανθρώπινης ατμομηχανής”, δήλωσε ο Hao Su του Πανεπιστημίου της Βόρειας Καρολίνας σε δελτίο τύπου.
«Ωστόσο, η ανάπτυξή τους και η ευρεία διάδοσή τους περιορίζονται από την απαίτηση για μακροχρόνιες δοκιμές σε ανθρώπους και χειροποίητους νόμους ελέγχου. Η βασική ιδέα εδώ είναι ότι η ενσωματωμένη τεχνητή νοημοσύνη σε έναν φορητό εξωσκελετό μαθαίνει πώς να βοηθά τους ανθρώπους να περπατούν, να τρέχουν ή να σκαρφαλώνουν σε μια προσομοίωση υπολογιστή, χωρίς να απαιτούνται πειράματα.
Ιστορικά, το λογισμικό που ελέγχει τους εξωσκελετούς έπρεπε να προγραμματιστεί προσεκτικά για συγκεκριμένες δραστηριότητες και να βαθμονομηθεί προσεκτικά σε μεμονωμένους χρήστες. Αυτό συνήθως απαιτεί ώρες δοκιμών σε ανθρώπους σε εξειδικευμένα εργαστήρια, γεγονός που επιβραδύνει σημαντικά τόσο την έρευνα όσο και την ανάπτυξη.
Πρόσφατα, οι ερευνητές έδειξαν ότι θα μπορούσαν να δημιουργήσουν έναν καθολικό ελεγκτή με τεχνητή νοημοσύνη που μπορεί να προσαρμοστεί απρόσκοπτα σε νέους χρήστες χωρίς επιπλέον εκπαίδευση. Ωστόσο, εξακολουθούσε να απαιτεί τη συλλογή εκτεταμένων δεδομένων από 25 άτομα για την εκπαίδευση του ελεγκτή.
Η νέα προσέγγιση καταργεί την ανάγκη για ανθρώπινη συμβολή, εκπαιδεύοντας τον ελεγκτή στην προσομοίωση. Η ρύθμιση είναι αρκετά περίπλοκη, περιλαμβάνοντας νευρωνικά δίκτυα εκπαιδευμένα σε δεδομένα ανθρώπινης κίνησης που συλλέγονται χρησιμοποιώντας φθηνούς φορητούς αισθητήρες, ένα μυοσκελετικό μοντέλο ολόκληρου του σώματος, ένα φυσικό μοντέλο του εξωσκελετού και ένα μοντέλο που προσομοιώνει την επαφή μεταξύ του χρήστη και του εξωσκελετού.
Αυτά χρησιμοποιούνται για να προσομοιώσουν ένα άτομο που φοράει τον εξωσκελετό περπατώντας, τρέχοντας και ανεβαίνοντας σκάλες. Σε εκατομμύρια εικονικές δοκιμές, η ενισχυτική μάθηση – μια μέθοδος μηχανικής μάθησης, όπου ένας αλγόριθμος ανταμείβεται για την πρόοδο προς έναν καθορισμένο στόχο – εκπαιδεύει έναν ελεγκτή να ασκεί τη σωστή ποσότητα ισχύος την κατάλληλη στιγμή για να ενισχύσει την αποτελεσματικότητα του χρήστη. Η όλη διαδικασία διαρκεί μόλις οκτώ ώρες σε μία μόνο GPU.
Το μοντέλο που προκύπτει είναι αγνωστικιστικό για τον χρήστη, προσαρμόζοντας αυτόματα στα μοναδικά μοτίβα κινήσεων διαφορετικών ανθρώπων. Και μπορεί να μεταβεί απρόσκοπτα μεταξύ των τριών δραστηριοτήτων, σε αντίθεση με προηγούμενες προσεγγίσεις όπου ο χρήστης έπρεπε να το ρυθμίσει χειροκίνητα σε διαφορετικές λειτουργίες.
Σε δοκιμές, η ομάδα έδειξε ότι οι άνθρωποι χρησιμοποίησαν 24% λιγότερη ενέργεια όταν περπατούσαν χρησιμοποιώντας τον ρομποτικό εξωσκελετό σε σύγκριση με όταν περπατούσαν χωρίς βοήθεια. Χρησιμοποίησαν επίσης 13% λιγότερη ενέργεια όταν έτρεχαν και 15% λιγότερη όταν ανέβαιναν σκάλες.
Η εκπαίδευση της τεχνητής νοημοσύνης σε προσομοιώσεις για εργασία στον πραγματικό κόσμο είναι εμφανώς δύσκολη, επομένως μια σημαντική αύξηση της απόδοσης είναι ένα τεράστιο επίτευγμα. Και η ομάδα λέει ότι η προσέγγισή τους θα πρέπει εύκολα να μεταφραστεί σε άλλα είδη δραστηριοτήτων και διαφορετικούς εξωσκελετούς.
Προς το παρόν, οι ερευνητές επικεντρώνονται στη βελτίωση των εξωσκελετών για ηλικιωμένους ενήλικες και άτομα με νευρολογικές παθήσεις. Αλλά δεν είναι δύσκολο να δούμε τις ευρύτερες εφαρμογές μιας τεχνολογίας που μπορεί να αυξήσει δραματικά τη δύναμη και την αποτελεσματικότητα της ανθρώπινης κίνησης.
Πίστωση εικόνας: Hao Su / NC State University
Πηγή: singularityhub.com
