Датчики жидкого металла и искусственный интеллект помогают протезам рук «чувствовать»

Каждый кончик пальца человека имеет более 3000 сенсорных рецепторов, которые в основном реагируют на давление. Люди в значительной степени полагаются на ощущение кончиков пальцев при манипулировании объектом, поэтому отсутствие этого ощущения представляет собой уникальную проблему для людей с ампутацией верхних конечностей. Хотя сегодня доступно несколько ловких протезов, всем им не хватает ощущения «осязания». Отсутствие этой сенсорной обратной связи приводит к тому, что объекты случайно падают или раздавливаются протезом руки.

Чтобы обеспечить более естественное ощущение интерфейса протеза руки, исследователи включили растягиваемые тактильные датчики с использованием жидкого металла на кончиках пальцев протеза руки. Инкапсулированная в эластомеры на основе силикона, эта технология обеспечивает ключевые преимущества по сравнению с традиционными датчиками, включая высокую проводимость, податливость, гибкость и растяжимость. Эта иерархическая интеграция тактильных ощущений с несколькими пальцами может обеспечить более высокий уровень интеллекта для искусственных рук.

Исследователи использовали отдельные кончики пальцев на протезе, чтобы различать разные скорости скользящего движения по разным текстурированным поверхностям. У четырех разных текстур был один переменный параметр:расстояние между гребнями. Для обнаружения текстур и скоростей исследователи обучили четыре алгоритма машинного обучения. Для каждой из десяти поверхностей было проведено 20 испытаний, чтобы проверить способность алгоритмов машинного обучения различать десять разных сложных поверхностей, состоящих из случайно сгенерированных перестановок четырех разных текстур.

Результаты показали, что интеграция тактильной информации от сенсоров жидкого металла на четырех кончиках пальцев протезов одновременно выделяет сложные многотекстурные поверхности, демонстрируя новую форму иерархического интеллекта. Алгоритмы машинного обучения смогли с высокой точностью различать все скорости каждого пальца.

Команда сравнила четыре различных алгоритма машинного обучения на предмет их успешных возможностей классификации:K-ближайшего соседа (KNN), метод опорных векторов (SVM), случайный лес (RF) и нейронная сеть (NN). Частотно-временные характеристики датчиков жидкого металла были извлечены для обучения и тестирования алгоритмов машинного обучения. Как правило, нейронная сеть показала лучшие результаты в скорости и обнаружении текстуры с помощью одного пальца и имела точность 99,2%, чтобы различать десять различных мультитекстурированных поверхностей с использованием четырех датчиков жидкого металла с четырех пальцев одновременно.

Хотя достижения в области протезов конечностей принесли пользу и позволяют людям с ампутированными конечностями лучше выполнять свои повседневные обязанности, они не предоставляют им сенсорной информации, такой как осязание. Они также не позволяют им естественным образом управлять протезом силой мысли. Новая технология может помочь предоставить людям с ампутированными конечностями более естественное протезное устройство, которое может «чувствовать» окружающую среду и реагировать на нее.