近日，瑞士洛桑联邦理工学院的研究人员开发出了一种全新的机械臂控制方法，它利用人工智能为被截肢者提供的准确操纵能力。研究人员结合了神经工程学和机器人学的专业知识，使得穿戴者可以控制机械手的每个手指，并在穿戴机械手时自动抓起物体。这项新技术在包括3名被截肢者和7名肢体健全受试者的概念验证研究中获得了成功。
意念+AI 算法=灵活、稳健机械手
研究人员表示，他们提出的全新机械手臂控制方法，其关键优势在于通过人类意图和自动化算法共同进行操纵(shared control)——在需要高灵活性时，人类控制运动；当需要高鲁棒性时，AI算法则进行辅助。
换句话说，由于被截肢者的感觉和控制能力有限，他们很难保证自己的手指形状与物体相符并保证抓握力度适中，因此需要AI算法进行辅助来提高度。这种方法极大地改善了机械手的可用性，并可以灵活操作多个自由度的关节。
用AI算法解码「意念」
在此前，科学家们对于机械臂控制研究很多，但充其量也只能控制单个手指，而且其研究成果也于在四肢健全的人群中实现离线的「义肢控制」。
EPFL 提出的新系统，在神经学上的关键理念是对来自现有运动神经的信号进行解码，这些运动神经旨在为手指发出活动的信号。这些信号(sEMG)收集自被截肢者残肢的剩余神经，并被转换成假肢单个手指的运动信号，这种效果在之前的假肢研究中未能实现。得益于机器人技术，机械手可以帮助被截肢者抓起物体并能够维持些许时间，从而以一种真实的方式操控物体。
研究者首先提出了一个使用多层感知器(MLP)的运动比例解码器，该解码器允许穿戴者同时、连续地控制每个手指。
a：在线实验中，4名肢体健全和3名截肢受试者利用他们的表面机电信号控制一个虚拟的机械手。利用多层感知器对这些信号进行解码，得到单位数关节角度的预测结果；
b：3名截肢受试者的残缺程度不同；
c：研究人员测试的肢体活动包含单位数和多位数活动。实验结果显示，除A2截肢受试者无法独立做出食指和中指弯曲/延展动作之外，其他所有受试者都能做出c中的所有动作。
这一技术中用到的机器学习算法学习了如何解码使用者的动作意图并将这些脉冲信号转换为假肢的手指运动。在训练算法的过程中，被截肢者的手指动作通过绑在他们残肢上的
传感器传递给机器，以检测他们的神经活动。通过这一过程，机器学习算法学习假肢部位的肌肉刺激与特定手部运动的对应关系。
训练完成之后，被截肢者就可以将有意识的动作脉冲转换为各个假肢手指的微调动作。该算法滤掉了与肢体运功无关的动作，只关心与运动紧密相关的动作。
「由于这些肌肉信号是有噪声的，我们需要一种机器学习算法来提取有意义的肌肉活动并将其转换为动作，」论文一作Katie Z. Zhuang解释称。
提高抓取灵活度
然而，仅仅依靠处理人类发出的信号，我们还远不能以让机械臂做到足够灵活。对此，研究人员开发了另一种机器学习算法，用来帮助用户抓取和操纵物体。
在机械手碰到物体之后，AI算法就会让手指闭合，抓住物体。这一自动抓取功能源自之前的研究，在这项研究中，机械手被用来感知物体的形状，并仅基于接触得到的信息实现抓取。
「当你手里拿着一个物体，它开始松脱滑动，你只有数毫秒的时间做出反应，」EPFL学习算法与系统实验室的Aude Billard表示。「机器手能够在400毫秒内做出反应。它的手指上布满压力传感器，可以在大脑感觉到物体滑动之前做出反应并稳住物体。」
a：Allegro机械手模拟器；
b：共享控制策略；
c：主动柔顺接触(共享)控制器的动作；
d：共享控制的示例追踪(受试者B4)。其中，顶部一行显示了无共享控制(左)和有共享控制(右)两种情况下检测到的总压力值；
e：受试者B2的握持实验百分比；
f：握持物体的时间维持在7秒；
g：握持物体时远节趾骨、中节趾骨和近节指骨的接触。
华人一作
本论文的作者Katie Z. Zhuang本科毕业于约翰霍斯大学，并在杜克大学获得了生物医学/医学工程的博士学位，这一研究是她在洛桑联邦理工学院读博士后期间的工作。目前，Katie Zhuang任瑞士弗里堡大学(University of Fribourg)研究科学家。
我要评论