Nature News: KI „stört“ Exoskelette, um beim Aufbau eines starken Körpers zu helfen

Mitwirkender Autor: Su Hao (Professor an der North Carolina State University und der University of North Carolina in Chapel Hill)

Obwohl Exoskelett-Roboter Menschen beim Gehen helfen können, sind sie normalerweise auf Laborumgebungen beschränkt und benötigen eine halbe bis eine Stunde, um den Software-Algorithmus des Roboters an jeden Benutzer anzupassen.

Kürzlich veröffentlichte das Team von Professor Su Hao von der North Carolina State University und der University of North Carolina in Chapel Hill eine bahnbrechende Forschungsarbeit mit dem Titel „Experiment-free Exoskeleton Assistance via Learning in Simulation“ (Experimentfreie Exoskelett-Unterstützung durch Lernen in der Simulation) in der renommierten internationalen Fachzeitschrift Nature.

Das Papier stellt eine neue Methode vor, mit der Roboter Steuerungsstrategien durch bestärkendes Lernen in einer Computersimulationsumgebung erlernen können. Durch dieses „Lernen in der Simulation“ zeigte die Studie, dass diese Methode Roboter intelligent machen kann, insbesondere die Generalisierungsfähigkeit, um verschiedenen Menschen gerecht zu werden. Sie können sich nicht nur selbstständig an verschiedene Aktionen wie Gehen, Laufen, Treppensteigen usw. anpassen, sondern auch dabei helfen, beim Gehen viel menschliche Energie zu sparen.

Diese Forschung stellt einen bedeutenden Durchbruch in der Exoskelett-Technologie dar, macht Roboter intelligenter und praktischer und dürfte die Lebensqualität älterer Menschen sowie von Menschen mit eingeschränkter Mobilität und Behinderungen erheblich verbessern.

Innovatives Framework für künstliche Intelligenz „Lernen in der Simulation“ zur Erzielung von Intelligenz und Vielseitigkeit bei Exoskeletten

Ein Exoskelett ist ein tragbarer Roboter, der die menschliche Bewegung unterstützt, indem er externe Energie bereitstellt und so Kraft und Stabilität verbessert. Es kann die menschliche Bewegung verbessern, die Mobilität von Menschen mit Behinderungen wiederherstellen und die Gesundheit und Lebensqualität der Menschen deutlich verbessern.

„Unsere Philosophie ist, dass Wissenschaft und Technologie am Menschen ausgerichtet sein, den Menschen dienen und Probleme der realen Welt lösen sollten“, sagte Su Hao, der korrespondierende Autor des Artikels und Professor an der North Carolina State University und der University of North Carolina in Chapel Hill. Bestehende Steuerungsalgorithmen für Exoskelette erfordern in der Regel mehrere Stunden menschlicher Experimente und Parameteranpassungen. Dies ist ein zeit- und arbeitsintensiver Prozess, der den weitverbreiteten Einsatz von Exoskeletten behindert. Dieses innovative Framework für künstliche Intelligenz schließt die Lücke zwischen Simulation und Realität. Durch reine Computersimulation bzw. den Ansatz des digitalen Zwillings ermöglicht dieser modell- und datengesteuerte Algorithmus für bestärkendes Lernen dem Exoskelett, bei einer Vielzahl von Aktionen wie Gehen, Laufen und Treppensteigen wirksame Unterstützung zu bieten und so den menschlichen Energieverbrauch zu reduzieren, was einer Gewichtsabnahme von 11,9 Kilogramm entspricht.

Um die Machbarkeit dieser Technologie zu untersuchen, führte der Erstautor des Artikels, Dr. Luo Shuzhen (ehemals Postdoktorand bei Professor Su Hao und jetzt Assistenzprofessor an der Embry-Riddle University), eine vierjährige Forschungsarbeit durch. Sie sagte: „Wir haben zunächst ein hochpräzises Muskel-Skelett-Modell erstellt und eine Closed-Loop-Simulationstrainingsmethode für drei tiefe neuronale Netzwerke entwickelt. Diese Methode integriert das menschliche Modell (einschließlich des Bewegungsimitationsnetzwerks und des Muskelkoordinationsnetzwerks) und den Exoskelett-Controller (die Steuerungsstrategie des neuronalen Netzwerks), um den Mensch-Computer-Interaktionsprozess durch den Austausch von Zustandsinformationen genau zu simulieren. Durch diese Methode des „Lernens in der Simulation“ kann der trainierte Controller in Echtzeit an verschiedene Bewegungsmuster angepasste Unterstützung generieren, ohne dass menschliche Experimente oder Debugging erforderlich sind.“

Das Team von Professor Su Hao experimentierte mit dem durch Simulation erlernten Controller bei drei Aktivitäten (Gehen, Laufen und Treppensteigen), an denen jeweils 8 gesunde Probanden teilnahmen. Experimentelle Ergebnisse zeigen, dass die vom Controller generierte Unterstützungskurve autonom und ohne menschliches Eingreifen an unterschiedliche Arten von Aktivitäten angepasst werden kann. Wenn sich beispielsweise die Fahrgeschwindigkeit allmählich erhöht, erhöht sich auch die vom Controller erzeugte Kraftunterstützung. Zudem ändert sich die Form der Kurve, um sich an den Kraftunterstützungsbedarf verschiedener Aktivitäten anzupassen. Der Schlüssel zum Erreichen dieser Fähigkeit liegt darin, dass sich der Controller vollständig auf die kinematischen Informationen des Oberschenkels verlässt, die von einem Trägheitsmesssensor bereitgestellt werden, der am Oberschenkel der Testperson getragen wird. Außerdem hat der Controller durch Millionen von Simulationstrainingsrunden die Fähigkeit erlernt, über das kinematische Eingangssignal direkt die entsprechende Unterstützung auszugeben. „Unser Controller kann durchgängig entsprechende Unterstützung bieten. Die meisten bestehenden Methoden erfordern viele zusätzliche Zwischenschritte, was zu einem langwierigen manuellen Parameteranpassungsprozess führt und auch die Generalisierungsfähigkeit des Controllers beeinträchtigt“, sagte Professor Su Hao. Da sich verschiedene Personen auch bei Aktivitäten mit gleicher Geschwindigkeit unterschiedlich bewegen, erzeugt der Controller für verschiedene Personen leicht unterschiedliche Kraftunterstützungskurven. „Einer der Höhepunkte unserer Arbeit ist, dass die vom Controller erzeugte Kraft bei verschiedenen Menschen unterschiedlich ist. Er passt sich selbst an, anstatt eine feste Kraftform vorzugeben.“

Weitere experimentelle Ergebnisse zeigten, dass die Verwendung des Controllers die durchschnittliche Stoffwechselrate der Probanden beim Gehen um 24,3 %, beim Laufen um 13,1 % und beim Treppensteigen um 15,4 % senkte. Diese Einsparungen übertreffen alle Energieeinsparungen, die in früheren Studien mit einem tragbaren Exoskelett für die unteren Gliedmaßen erzielt wurden. Die obigen Ergebnisse zeigen, dass der durch Simulation erlernte Exoskelett-Controller bei verschiedenen menschlichen Aktivitäten eine große Hilfe darstellt.

Abbildung ｜ Experimentelle Optimierung der Exoskelett-Unterstützung durch Simulationslernen

Keine Notwendigkeit für Experimente am Menschen, die Entwicklung von Exoskeletten geht auf die Überholspur

Der Kern dieser Forschung besteht darin, durch Simulationslernen die Lücke zwischen Computersimulation und realen Anwendungen zu schließen. Das Forschungsteam nutzte Millionen von Simulationstrainingsrunden, um den Controller in die Lage zu versetzen, bei unterschiedlichen Tätigkeiten wirksame Unterstützung zu leisten. Dieser Ansatz verbessert nicht nur die Entwicklungseffizienz, sondern verringert auch die Abhängigkeit von teuren und zeitaufwändigen Experimenten am Menschen und bietet einen gangbaren Weg für die schnelle Entwicklung und weitverbreitete Anwendung von Exoskeletten.

Abbildung ｜ Simulationslernrahmen

Unterstützen Sie kontinuierliche Multi-Action, um eine effiziente Unterstützung zu erreichen

Dr. Zhang Sainan (ehemaliger Doktorand von Professor Su, jetzt sein Postdoktorand und einer der Autoren) sagte: „Dies ist eine Studie über verkörperte Intelligenz. Unser Algorithmus basiert auf einem von uns selbst entwickelten Exoskelett, dem leichtesten tragbaren Roboter mit Antrieb. Ein Highlight dieser Studie ist, dass das Exoskelett mehrere Aktionen kontinuierlich unterstützen kann. Im Experiment können Probanden, die das Exoskelett tragen, mehrere Aktionen nahtlos miteinander verbinden. Beispielsweise beschleunigt der Benutzer allmählich vom langsamen Gehen zum Laufen und wechselt dann schnell zum Treppensteigen. Das Exoskelett kann während des gesamten Vorgangs eine stabile und effektive Unterstützung bieten. Durch die durch bestärkendes Lernen erzielte Steuerungsstrategie kann das Exoskelett Umfang und Zeitpunkt der Unterstützung in Echtzeit anpassen, um sicherzustellen, dass jede Aktion die angemessene Unterstützung erhält.“ Diese Fähigkeit, bei kontinuierlichen Aktionen Unterstützung zu bieten, verbessert die Praktikabilität und Benutzererfahrung des Exoskeletts erheblich und zeigt das Potenzial der Exoskelett-Technologie in verschiedenen Sportarten.

Abbildung | Leistungskurven bei verschiedenen Aktivitäten und Sportübergängen

Breite Anwendungsperspektiven

Dieses Forschungsergebnis ist ein wichtiger Meilenstein in der Entwicklung der Exoskelett-Technologie. Exoskelette können nicht nur die sportliche Leistungsfähigkeit normaler Menschen deutlich verbessern, sondern auch Menschen mit Behinderungen helfen, ihre Mobilität wiederzuerlangen. Dr. Luo Shuzhen, Professor Su Hao und Professor Zhou Xianlian vom New Jersey Institute of Technology arbeiteten mit Professor Yue Guanghui von der Kessler Foundation, einem der größten Rehabilitationsforschungszentren in den Vereinigten Staaten, zusammen, um den Einsatz von Simulationslernen zur Steuerung von Rehabilitationsrobotern zu untersuchen. Professor Zhou Xianlian sagte: „Ich denke, dass Simulationslernen sehr gute Anwendungsaussichten in der Steuerung von Rehabilitationsrobotern bietet. Patienten, die eine motorische Rehabilitation benötigen, haben unterschiedliche Erkrankungen und daher auch unterschiedlichen Unterstützungsbedarf. Unsere Simulationslerntechnologie ist gut anpassbar und ermöglicht zudem die Realisierung einer individuellen Hilfssteuerung.“ Das Forschungsteam ist davon überzeugt, dass tragbare Roboter durch die weitere Optimierung und Förderung dieses Simulationslernrahmens in Zukunft eine größere Rolle im medizinischen, industriellen und täglichen Leben spielen werden.

Zu den Autoren der Studie gehören die Professoren Hao Su, Shuzhen Luo, Menghan Jiang, Sainan Zhang, Junxi Zhu, Shuangyue Yu, Israel Dominguez, Tian Wang, Xianlian Zhou, Professor Elliott Rouse von der University of Michigan, Professor Bolei Zhou von der University of California, Los Angeles, und Dr. Hyunwoo Yuk vom Korea Advanced Institute of Science and Technology.

Zugehörige Papierinformationen:

https://doi.org/10.1038/s41586-024-07382-4