人在环优化改善了柔软 可穿戴机器人的功能

对于柔软的辅助设备 - 就像哈佛生物设计实验室设计的外套设备 - 佩戴者和机器人需要保持同步。但是每个人的移动方式都有所不同，为个人用户定制机器人的参数是一个耗时且低效的过程。

现在，来自哈佛大学John A. Paulson工程与应用与科学学院(SEAS)和Wyss生物学启发工程研究所的研究人员开发出了一种高效的机器学习算法，可以快速为柔软，可穿戴的exosuits定制个性化的控制策略。

该研究在Science Robotics中有所描述。

“这种新方法是优化辅助可穿戴设备控制参数设置的有效而快捷的方法，”SEAS的博士后研究员，该研究的共同第一作者叶丁说。“使用这种方法，我们为髋关节伸展辅助装置的佩戴者实现了代谢性能的巨大改善。”

当人类走路时，我们会不断调整我们如何节省能源(也称为代谢成本)。

“之前，如果你有三个不同的用户在辅助设备上行走，你需要三种不同的辅助策略，”SEAS的博士后研究员，该论文的共同第一作者Myunghee Kim说。“为每个佩戴者找到合适的控制参数曾经是一个困难的，逐步的过程，因为不仅所有人走路都有所不同，而且手动调整参数所需的实验是复杂和耗时的”

由Conor Walsh，John L. Loeb工程和应用科学副教授以及SEAS工程和计算机科学助理教授Scott Kuindersma领导的研究人员开发了一种算法，可以消除这种变化并快速确定最佳控制最适合最小化步行的参数。

研究人员使用所谓的人在环优化，它使用人体生理信号的实时测量，例如呼吸速率，来调整设备的控制参数。随着算法在最佳参数上的磨练，它指导了exosuit何时何地提供其辅助力以改善髋部伸展。该团队使用的贝叶斯优化方法是去年在PLOSone的一篇论文中首次报道的。

与没有设备的步行相比，算法和套装的组合使代谢成本降低了17.4%。与团队之前的工作相比，这提高了60%以上。

“优化和学习算法将对未来可穿戴机器人设备产生重大影响，旨在帮助一系列行为，”Kuindersma说。“这些结果表明，优化甚至非常简单的控制器可以在行走时为用户提供显着的，个性化的好处。扩展这些想法以考虑更具表现力的控制策略以及具有不同需求和能力的人将是令人兴奋的下一步。”

沃尔什说：“对于像软体外套这样的可穿戴式机器人，在正确的时间提供正确的帮助以便他们能够与佩戴者协同工作至关重要。” “通过这些在线优化算法，系统可以了解如何在大约20分钟内自动实现这一目标，从而最大限度地提高佩戴者的利益。”

接下来，该团队的目标是将优化应用于更复杂的设备，同时辅助多个关节，如髋关节和踝关节。

“在本文中，我们通过优化髋部伸展来证明代谢成本的大幅降低，”丁说。“这表明你可以用伟大的大脑和伟大的硬件做些什么。”