Мягкие носимые экзоскелеты должны действовать синхронно с владельцем. Но каждый человек имеет индивидуальные особенности передвижения и подгонка параметров робота для отдельного пользователя — это трудоемкий и неэффективный процесс.

Недавно исследователи из гарвардской Школы инженерных и прикладных наук им. Джона А. Полсона и Института биоинженерии Уайса разработали эффективный алгоритм машинного обучения, который может быстро адаптировать индивидуальные стратегии управления для мягких носимых экзоскелетов.

Выбор правильного контроля параметров для каждого владельца ранее был сложным, пошаговым процессом не только потому, что все люди ходят немного по-иному, но еще и потому, что требуемые для ручной настройки параметров эксперименты являются сложными и трудоемкими.

Ученые из Гарварда разработали эффективный алгоритм машинного обучения, который может быстро адаптировать индивидуальные управляющие настройки для мягких носимых экзоскелетов, что значительно повышает производительность этих устройств. Исследователи разработали алгоритм, который может анализировать изменчивость поведения и быстро определит оптимальные параметры, которые наилучшим образом минимизируют усилия при ходьбе.

Ученые использовали методику оптимизации, известную как оператор в контуре управления, которая в режиме реального времени использует такие измеряемые физиологические параметры, как частота дыхания для корректировки параметров управления устройством.

Использование экзоскелета в сочетании с новым алгоритмом снижает энергетические затраты на 17,4%, по сравнению с ходьбой без устройства. Полученные результаты свидетельствуют о том, что оптимизация даже очень простых контроллеров может обеспечить значительное индивидуальное преимущество для пользователей во время прогулки.

В последующем команда ученых намерена применить оптимизацию для более сложного устройства, которое одновременно помогает нескольким суставам, включая бедра и лодыжки.