Escolhendo configurações de exoesqueleto como uma estação de rádio Pandora

Inspirando-se nos serviços de streaming de música, uma equipe de engenheiros da Universidade de Michigan, do Google e da Georgia Tech projetou a maneira mais simples para os usuários programarem suas próprias configurações de assistência ao exoesqueleto.

É claro que o que é simples para os usuários é mais complexo por baixo, já que um algoritmo de aprendizado de máquina oferece repetidamente pares de perfis de assistência que têm maior probabilidade de serem confortáveis ​​para o usuário. O usuário então seleciona um desses dois, e o preditor oferece outro perfil de assistência que acredita ser melhor. Esta abordagem permite aos usuários definir a assistência do exoesqueleto com base em suas preferências usando uma interface muito simples, propícia à implementação em um smartwatch ou telefone.

“É essencialmente como a música Pandora”, disse Elliott Rouse, professor associado de robótica e engenharia mecânica da UM e autor correspondente do estudo em Robótica Científica. “Você dá feedback, um polegar para cima ou um polegar para baixo, e ele seleciona uma estação de rádio com base no seu feedback. Esta é uma ideia semelhante, mas com configurações de assistência ao exoesqueleto. Em ambos os casos, estamos criando um modelo das preferências do usuário e usar esse modelo para otimizar a experiência do usuário.”

A equipe testou a abordagem com 14 participantes, cada um usando um par de exoesqueletos de tornozelo enquanto caminhavam a um ritmo constante de cerca de 3,7 quilômetros por hora. Os voluntários podiam demorar o tempo que quisessem entre as escolhas, embora estivessem limitados a 50 escolhas. A maioria dos participantes estava escolhendo repetidamente o mesmo perfil assistencial até a 45ª decisão.

Após 50 rodadas, a equipe experimental começou a testar os usuários para ver se o perfil de assistência final era realmente o melhor – comparando-o com 10 perfis gerados aleatoriamente (mas plausíveis). Em média, os participantes escolheram as configurações sugeridas pelo algoritmo cerca de nove em cada 10 vezes, o que destaca a precisão da abordagem proposta.

“Ao utilizar algoritmos inteligentes e um toque de IA, o nosso sistema descobre o que os utilizadores querem com perguntas fáceis de sim ou não”, disse Ung Hee Lee, recentemente doutorado em engenharia mecânica pela UM e primeiro autor do estudo, agora no a empresa de robótica Nuro. “Estou entusiasmado com o facto de esta abordagem tornar os robôs vestíveis confortáveis ​​e fáceis de usar, aproximando-os de se tornarem uma parte normal da nossa vida quotidiana.”

O algoritmo de controle gerencia quatro configurações do exoesqueleto: quanta assistência deve ser dada (pico de torque), quanto tempo deve passar entre os picos (tempo) e como o exoesqueleto aumenta e reduz a assistência em ambos os lados de cada pico. Esta abordagem de assistência baseia-se na forma como o músculo da panturrilha acrescenta força para nos impulsionar para a frente em cada passo.

Rouse relata que poucos grupos estão permitindo que os usuários definam suas próprias configurações de exoesqueleto.

“Na maioria dos casos, os controladores são ajustados com base em resultados biomecânicos ou fisiológicos. Os pesquisadores estão ajustando as configurações em seus laptops, minimizando a taxa metabólica do usuário. No momento, esse é o padrão ouro para avaliação e controle do exoesqueleto”, disse Rouse.

“Acho que nossa área enfatiza demais os testes com taxa metabólica. As pessoas são, na verdade, muito insensíveis às mudanças em sua própria taxa metabólica, por isso estamos desenvolvendo exoesqueletos para fazer algo que as pessoas não conseguem realmente perceber.”

Em contraste, as abordagens de preferência do utilizador não se concentram apenas no que os utilizadores podem perceber, mas também lhes permitem priorizar qualidades que consideram valiosas.

O estudo baseia-se no esforço anterior da equipe para permitir que os usuários apliquem suas próprias configurações a um exoesqueleto de tornozelo. Nesse estudo, os usuários contavam com uma grade touchscreen que colocava o nível de atendimento em um eixo e o tempo do atendimento em outro. Os usuários tentaram diferentes pontos da grade até encontrarem um que funcionasse bem para eles.

Depois que os usuários descobriram o que era confortável, ao longo de algumas horas, eles puderam encontrar suas configurações na grade em alguns minutos. O novo estudo reduz o longo período de descoberta de quais configurações são melhores, além de oferecer dois novos parâmetros: como a assistência aumenta e diminui.

Os dados desse estudo anterior foram usados ​​para alimentar o preditor de aprendizado de máquina. Um algoritmo evolutivo produz variações com base nos perfis de assistência preferidos pelos usuários anteriores e, em seguida, o preditor – uma rede neural – classifica esses perfis de assistência. A cada escolha feita pelos usuários, novos perfis potenciais de atendimento eram gerados, classificados e apresentados ao usuário juntamente com a escolha anterior.