न्यू न्यूरोप्रोस्टेटिक एक एआय रोबोटिक्स ब्रेथथ्रू आहे

स्वित्झर्लंडमधील ईपीएफएल (इकोले पॉलीटेक्निक फेडरल डी लॉसने) येथील शास्त्रज्ञांनी रोबोटिक हँड कंट्रोलसाठी जगातील प्रथम तयार करण्याची घोषणा केली आहे - न्यूरोप्रोस्टेटिक हा एक नवीन प्रकार आहे ज्यामुळे मानवी नियंत्रणात कृत्रिम बुद्धिमत्ता (एआय) स्वयंचलितता जास्त प्रमाणात रोबोट निपुणतेला मिळते आणि त्यांचे संशोधन प्रकाशित झाले. सप्टेंबर 2019 मध्ये नेचर मशीन इंटेलिजेंस .

न्यूरोप्रोस्टेटिक्स (न्यूरल प्रोस्थेटिक्स) कृत्रिम उपकरणे आहेत जी मोटर कौशल्ये, अनुभूती, दृष्टी, ऐकणे, संप्रेषण किंवा संवेदी कौशल्यांवर परिणाम करणारे कमतरता भरुन काढण्यासाठी विद्युत उत्तेजनाद्वारे तंत्रिका तंत्राला उत्तेजन देतात किंवा वाढवते. न्यूरोप्रोस्टेटिक्सच्या उदाहरणांमध्ये मेंदू-संगणक इंटरफेस (बीसीआय), खोल मेंदूत उत्तेजन, स्पाइनल कॉर्ड उत्तेजक (एससीएस), मूत्राशय नियंत्रण प्रत्यारोपण, कोक्लियर रोपण आणि हृदय व पेसमेकर यांचा समावेश आहे.

ग्लोबल मार्केट इनसाइटच्या ऑगस्ट 2019 च्या अहवालानुसार आकडेवारीनुसार, जगातील अप्पर फांदांमधील प्रोस्थेटिक्सचे मूल्य 2025 पर्यंत 2.3 अब्ज डॉलर्सपेक्षा जास्त होण्याची शक्यता आहे. 2018 मध्ये, त्याच अहवालाच्या आधारे जगभरातील बाजार मूल्य एक अब्ज डॉलर्सपर्यंत पोहोचले. नॅशनल लिंब लॉस इन्फॉर्मेशन सेंटरच्या मते, अंदाजे दोन दशलक्ष अमेरिकन लोक बंडखोर आहेत आणि येथे दरवर्षी १ 185,००० हून अधिक विच्छेदन केले जातात. अहवालानुसार, संवहनी रोगाचा amp२ टक्के अमेरिकन विच्छेदन होतो.

मायओइलेक्ट्रिक कृत्रिम अवयवयुक्त शरीराच्या अवयवांना बाह्य शक्तीने कृत्रिम अवयव सह बदलण्यासाठी वापरले जाते जे वापरकर्त्याच्या विद्यमान स्नायूंनी सक्रिय केले जाते. ईपीएफएल रिसर्च टीमच्या मते, आज उपलब्ध व्यावसायिक उपकरणे वापरकर्त्यांना उच्च स्तरावरील स्वायत्तता देऊ शकतात, परंतु कौशल्य अखंड मानवी हाताइतके चतुर नाही.

“व्यावसायिक उपकरणे सामान्यतः एकाच प्रमाणात स्वातंत्र्यावर नियंत्रण ठेवण्यासाठी दोन-रेकॉर्डिंग-चॅनेल सिस्टम वापरतात; ईपीएफएलच्या संशोधकांनी त्यांच्या अभ्यासामध्ये असे लिहिले आहे की, फ्लेक्सिजनसाठी एक एसईएमजी चॅनेल आणि विस्तारासाठी एक, ” “अंतर्ज्ञानी असतानाही ही यंत्रणा थोडे कौशल्य प्रदान करते. लोक मायोइलेक्ट्रिक प्रोस्थेसेसला उच्च दराने सोडून देतात, काही अंशी कारण त्यांना असे वाटते की या डिव्हाइसची किंमत आणि जटिलता नियंत्रित करण्याची पातळी अपुरी आहे. ”

मायओइलेक्ट्रिक कृत्रिम अवयवांसह निपुणतेच्या समस्येवर लक्ष ठेवण्यासाठी, ईपीएफएलच्या संशोधकांनी “सामायिक” मोटार कमांडचा एक भाग अर्ध-स्वयंचलित करण्यासाठी न्युरोइंगेनिअरिंग, रोबोटिक्स आणि कृत्रिम बुद्धिमत्ता या वैज्ञानिक क्षेत्राची जोड देऊन या पुरावा-संकल्पनेच्या अभ्यासासाठी आंतरशास्त्रीय दृष्टिकोन घेतला. नियंत्रण."

ट्रान्सलेशनल न्यूरोइन्जिनरिंग मधील ईपीएफएलची बर्टरेली फाउंडेशन चेअर आणि इटलीमधील स्कुओला सुपरिओर सॅन्टा-अ‍ॅन्ना येथील बायोइलेक्ट्रॉनिकचे प्राध्यापक, सिल्वेस्ट्रो मसेरा, रोबोटिक हात नियंत्रित करण्यासाठी या सामायिक दृष्टिकोनामुळे मेंदूसारख्या न्यूरोप्रोस्टेटिक हेतूंसाठी विस्तृत क्लिनिकल इफेक्ट आणि उपयोगिता सुधारू शकतात. -तू-मशीन इंटरफेस (बीएमआय) आणि बायोनिक हात.

संशोधकांनी लिहिले की, “व्यावसायिक प्रोस्थेसिस सामान्य प्रमाणात प्रमाणऐवजी वर्गीकरण-आधारित डीकोडर वापरण्याचे एक कारण म्हणजे वर्गीकरण अधिक ठराविक विशिष्ट पवित्रामध्ये राहते,” संशोधकांनी लिहिले. “आकलन करण्यासाठी, या प्रकारचे नियंत्रण अपघाती घसरण रोखण्यासाठी आदर्श आहे परंतु शक्य हाताच्या आवरणाची संख्या मर्यादित ठेवून वापरकर्ता एजन्सीचे बलिदान देते. आमच्या सामायिक नियंत्रणाची अंमलबजावणी वापरकर्ता एजन्सी आणि आकलन दोहोंसाठी अनुमती देते. मोकळ्या जागेत वापरकर्त्याचे हाताच्या हालचालींवर पूर्ण नियंत्रण असते, जे आकलन करण्यासाठी व्होल्टेशनल प्री-शेपिंगला देखील परवानगी देते. ”

या अभ्यासामध्ये, ईपीएफएल संशोधकांनी सॉफ्टवेअर अल्गोरिदमच्या डिझाईनवर लक्ष केंद्रित केले - बाह्य पक्षांद्वारे प्रदान केलेल्या रोबोटिक हार्डवेअरमध्ये कुका IIWA 7 रोबोट, ऑप्टिक्रॅक कॅमेरा सिस्टम आणि टेक्स्कॅन प्रेशर सेन्सर असलेले एक अ‍ॅलेग्रो हँड असते.

कृत्रिम हाताच्या बोटांच्या हालचालीत भाषांतरित करण्यासाठी वापरकर्त्याच्या हेतूचे स्पष्टीकरण कसे करावे हे शिकण्यासाठी ईपीएफएलच्या शास्त्रज्ञांनी मल्टीलेयर पर्सेप्ट्रॉन (एमएलपी) तयार करून एक किनेमेटिक प्रॉस्पॉन्टल डिकोडर तयार केले. मल्टीलेअर पर्सेप्ट्रॉन हे फीडफॉरवर्ड कृत्रिम न्यूरल नेटवर्क आहे जे बॅकप्रॉपॅगेशन वापरते. एमएलपी ही एक खोल शिकण्याची पद्धत आहे जिथे कृत्रिम तंत्रिका नेटवर्कद्वारे चक्र किंवा लूपच्या विरूद्ध माहिती एका दिशेने पुढे सरकते.

अल्गोरिदम वापरकर्त्याच्या हातांनी हालचाली करणार्‍या मालिका इनपुट डेटाद्वारे प्रशिक्षण दिले जाते. वेगवान अभिसरण वेळेसाठी, लेव्हनबर्ग – मार्क्वार्ड पद्धत ग्रेडियंट वंशाऐवजी नेटवर्क वजनासाठी वापरली गेली. पूर्ण-मॉडेल प्रशिक्षण प्रक्रिया वेगवान होती आणि क्लिनिकल-वापराच्या दृष्टीकोनातून अल्गोरिदम व्यावहारिक बनविणार्‍या प्रत्येक विषयासाठी 10 मिनिटांपेक्षा कमी वेळ लागला.

“अभ्यर्थीसाठी, आपल्या बोटांनी ज्या पद्धतीने हालचाल केली त्या सर्व मार्गांवर नियंत्रण ठेवण्यासाठी अनेक स्नायूंना कॉन्ट्रॅक्ट करणे खूपच कठीण आहे,” संशोधन अभ्यासाचे पहिले लेखक असलेल्या ईपीएफएल ट्रान्सलेशनल न्यूरल अभियांत्रिकी लॅबमधील केटी झुआंग म्हणाले . “आम्ही काय करतो ते आम्ही हे सेन्सर्स त्यांच्या उर्वरित स्टंपवर ठेवतो आणि मग त्यास रेकॉर्ड करतो आणि हालचालींचे संकेत काय आहेत याचा अर्थ लावण्याचा प्रयत्न करतो. कारण या सिग्नलमध्ये थोडा गोंगाट होऊ शकतो, आम्हाला हे मशीन लर्निंग अल्गोरिदम आवश्यक आहे जे त्या स्नायूंकडून अर्थपूर्ण क्रियाकलाप काढते आणि त्यांचे हालचालींमध्ये अर्थ लावते. आणि या हालचाली रोबोटिक हातांच्या प्रत्येक बोटावर नियंत्रण ठेवतात. ”

कारण बोटाच्या हालचालींचे मशीनचे अंदाज 100 टक्के अचूक नसू शकतात, ईपीएफएल संशोधकांनी कृत्रिम हात सक्षम करण्यासाठी रोबोट ऑटोमेशनचा समावेश केला आणि प्रारंभिक संपर्क झाल्यावर स्वयंचलितपणे एखाद्या ऑब्जेक्टच्या आसपास बंद करण्यास सुरवात केली. वापरकर्त्यास एखादी वस्तू सोडायची असेल तर रोबोटिक कंट्रोलर बंद करण्यासाठी वापरकर्त्याने स्वतःस उघडण्याचा प्रयत्न केला पाहिजे आणि वापरकर्त्यास परत हाताच्या नियंत्रणाखाली आणावे.

ईपीएफएलच्या लर्निंग अल्गोरिदम आणि सिस्टम्स लॅबोरेटरीचे नेतृत्व करणारे औडे बिलार्ड यांच्या म्हणण्यानुसार, रोबोटिक हातात 400 मिलिसेकंदांमध्ये प्रतिक्रिया व्यक्त करण्यास सक्षम आहे. बिल्लार्ड म्हणाले, “सर्व बोटाच्या बाजूने दबाव सेन्सरने सुसज्ज, मेंदूला वस्तुस्थिती घसरत आहे हे प्रत्यक्षात येण्यापूर्वी हे ऑब्जेक्टवर प्रतिक्रिया आणि स्थिरता आणू शकते,” बिलार्ड म्हणाला.

न्यूरोइंजिनेरिंग आणि रोबोटिक्समध्ये कृत्रिम बुद्धिमत्ता लागू करून, ईपीएफएलच्या शास्त्रज्ञांनी मशीन आणि वापरकर्त्याच्या हेतूने सामायिक नियंत्रणाचा नवीन दृष्टीकोन दर्शविला - न्यूरोप्रोस्टेटिक तंत्रज्ञानातील प्रगती.

कॉपीराइट © 2019 चा कॅमी रोसो सर्व हक्क राखीव आहेत.