加州理工学院AI实验室优化了外骨骼步态使人感到舒适

发布时间：2020-06-04 14:56:06 【来源：】

加州理工学院实验室的研究人员说，他们创造了一些第一批人工智能，可以优化下半身外骨骼的步态，使使用它的人感到舒适。步态是一个人走路时步幅的长度和移动。人们走路的方式可能非常不同。这就是步态识别是当今野外使用的一种生物识别方法的原因。

步态优化模型来自加州理工学院的高级机械双足实验机器人实验室(AMBER)实验室，更具体地说，是机器人辅助移动性科学(RoAMS)计划，该计划探讨了脊髓刺激，外骨骼和机器人假肢的使用。为下肢残障人士提供帮助可以帮助美国600万人和全球数千万人。

外骨骼已被考虑用于工作场所和军事用途，但它们也可以改善肢体残疾人的活动能力和独立性。失去双腿使用，患有脑瘫等病症或使用步行者或站立者之类的工具的人也有一天会发现外骨骼步行很有用。

作者认为，以前的方法是对两只脚而不是人使用机器人的步态设置。该论文读到：“尽管现有方法可以为双足机器人产生类似人的步态，但这些方法不太可能通过机器人辅助来满足个人的喜好。”“在实验中，CoSpar始终发现了用户首选的外骨骼行走步态参数，这表明这是使外骨骼(或其他辅助设备)适应和个性化适应个人用户的有希望的起点。”

CoSpar之所以得名，是因为该算法将主动学习(一种用于定义学习系统与人类用户之间的互动的方法)应用于对决匪徒技术以从偏好反馈中学习。加州理工学院的研究人员于2017年推出了SELFSPARRING算法来解决强盗对决问题。

CoSpar算法已在Caltech的健全人身上使用Atalante(由Wandercraft公司开发的具有12个活动关节的下半身外骨骼)在模拟和试验中进行了测试。

步态优化算法由IEEE国际机器人与自动化会议(也称为ICRA会议)发布。原定于巴黎举行的ICRA转换为数字会议，于5月31日在线开始。

研究人员认为，利用基于偏好的学习(用户喜欢步态A还是步态B?)的CoSpar是第一个将基于偏好的学习与强制学习结合使用以优化基于人类舒适性的动态无拐步行的项目。它既查询用户以更好地了解个人的偏好，又接受用户的建议以进行改进。一些预先计算的步态可用，因此用户可以立即开始使用。CoSpar通过用户反馈来更新此模型，并使用它来选择新试验的操作，征求反馈并“确定偏好步态的子区域”。

“将来，我们计划将CoSpar用于优化较大的步态参数集;这很可能需要将算法与用于在高维特征空间上学习的技术集成在一起。该方法还可以扩展到使用预先计算的步态库以外的方法来生成全新的步态或控制器设计(例如，通过基于偏好的增强学习)。

在本周在ICRA上发表的其他有关机器人学习如何行走的论文中，苏黎世联邦理工学院的研究人员还介绍了DeepGait，这是一种用于四足机器人在非平坦地形上行走，爬楼梯或跨度过长的空隙的强化学习。

上一篇：斯坦福实验室设想交付无人机通过乘坐公共汽车节省能源
下一篇：LightOn研究人员解释了他们如何在光学协处理器上训练AI模型