← أحدث الأبحاث
💻 computer science

Toward Context-Aware Exoskeleton Assistance: Integrating Computer Vision Payload Estimation with a Multi-Metric Optimization Space

تقدم هذه الورقة نظام هيكل خارجي لدعم الظهر مدركاً للسياق يدمج نموذجاً لتقدير الحمولة يعتمد على الرؤية الحاسوبية مع إطار تحسين متعدد المعايير مستمد من السكان لتمكين المساعدة التنبؤية والتكيفية التي تقلل بشكل كبير من تنشيط العضلات وتحسن تخفيف الأحمال دون زيادة عدم الراحة لدى المستخدم.

المؤلفون الأصليون: Andrea Dal Prete, Seyram Ofori, Chan Yon Sin, Ashwin Narayan, Ding Shuo, Francesco Braghin, Haoyong Yu, Marta Gandolla

نُشر 2026-09-07
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Andrea Dal Prete, Seyram Ofori, Chan Yon Sin, Ashwin Narayan, Ding Shuo, Francesco Braghin, Haoyong Yu, Marta Gandolla

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في البيئات الصاخبة لمواقع البناء والمستودعات والمصانع، يقوم العمال بانتظام برفع أشياء ثقيلة، وهي مهمة تضع إجهاداً هائلاً على الظهر البشري. وعلى مر السنين، طور المهندسون أجهزة قابلة للارتداء تسمى الهياكل الخارجية لدعم الظهر للمساعدة في ذلك. تعمل هذه الآلات مثل عضلات خارجية، حيث تستخدم المحركات لمساعدة مرتديها في الرفع، بهدف تقليل التعب ومنع الإصابة. ومع ذلك، فإن مشكلة كبيرة حدت من فعاليتها حتى الآن: معظم هذه الأجهزة تعمل بإعداد ثابت. فهي تقدم نفس القدر من المساعدة بغض النظر عما إذا كان العامل يرفع صندوقاً خفيفاً أو صندوقاً ثقيلاً. وهذا النهج القائم على مبدأ "مقاس واحد يناسب الجميع" يمكن أن يكون بنتائج عكسية؛ فتقديم الكثير من المساعدة لحمل خفيف قد يشعر الشخص بالارتباك وعدم الراحة، بينما تقديم قدر قليل جداً من المساعدة لحمل ثقيل يفشل في حماية العامل. لقد كان التحدي الذي واجه العلماء هو إنشاء نظام يمكنه استشعار وزن الجسم حتى قبل أن يلمسه العامل ويعدل دعمه فوراً، ليتناسب الجهد مع الحمل.

لقكد اتخذ فريق من الباحثين خطوة كبيرة نحو حل هذه المشكلة من خلال تعليم الهيكل الخارجي كيف "يرى" ويفهم ما سيقوم العامل برفعه. فبدلاً من انتظار بدء العامل في الرفع ثم الاستجابة، يستخدم النظام الجديد كاميرا وذكاءً اصطناعياً متطوراً لتقدير وزن الجسم من مسافة بعيدة. ومن خلال تحليل المظهر المرئي للجسم وحاويته، يتنبأ الجهاز بالحمل قبل بدء دورة الرفع. وتسمح هذه القدرة التنبؤية للهيكل الخارجي بالاستعداد للقدر الدقيق من المساعدة المطلوبة في اللحظة التي يبدأ فيها الرفع، مما يلغي التأخير الذي غالباً ما يعيب التكنولوجيا الحالية. وقد اختبر الباحثون هذا النهج مع متطوعين بشريين لمعرفة ما إذا كان بإمكانه تقليل إجهاد العضلات دون جعل الجهاز يشعرهم بعدم الراحة أو التطفل.

لبناء هذا النظام الأكثر ذكاءً، احتاج الفريق أولاً إلى فهم العلاقة المعقدة بين مقدار المساعدة التي يقدمها الجهاز وكمية الوزن الذي يحمله الشخص. فقد أجروا تجارب مع اثني عشر متطوعاً يتمتعون بصحة جيدة قاموا بمهام رفع بأوزان مختلفة أثناء ارتداء الهيكل الخارجي. وقاس الباحثون النشاط الكهربائي في عضلات الظهر والساق لدى المتطوعين، وسألواهم عن مدى شعورهم بعدم الراحة تجاه الجهاز، وسجلوا تفضيلاتهم لمستويات مختلفة من المساعدة. واكتشفوا أن القدر الأمثل من المساعدة ليس خطاً مستقيماً؛ بل يتغير بطريقة غير خطية اعتماداً على الوزن. فبالنسبة للأحمال الخفيفة، تكون كمية قليلة من المساعدة هي الأفضل لتجنب التدخل في الحركة الطبيعية، ولكن بالنسبة للأحمال الثقيلة، يلزم توفير مساعدة قوية لحماية الظهر حقاً. والأهم من ذلك، وجدوا أن مستوى واحداً ثابتاً من الدعم لا يمكن أبداً أن يكون مثالياً لجميع المواقف؛ فالمستوى الذي بدا رائعاً لصندوق ثقيل كان يبدو مقيداً لصندوق خفيف، والعكس صحيح. وقد أكد هذا أن الجهاز يجب أن يتكيف ديناميكياً ليكون فعالاً حقاً.

ومع هذا الفهم لمستويات الدعم المثلى، طور الباحثون مساراً للرؤية الحاسوبية ليعمل كـ "عيون" للهيكل الخارفي. يستخدم النظام كاميرا مثبتة على ورك الجهاز لالتقاط صور للبيئة المحيطة. وعندما يقترب عامل من صندوق، يتعرف البرنامج على الجسم، وباستخدام نموذج تعلم عميق متطور، يقدر ما إذا كان خفيفاً أو متوسطاً أو ثقيلاً. واختبر الفريق نوعين مختلفين من نماذج الذكاء الاصطناعي لهذه المهمة؛ أحدهما نموذج قياسي سريع المعالجة، والآخر نظام أكثر تقدماً معروف بقدرته على فهم السياق والعمق. وقد أثبت النموذج المتقدم تفوقاً كبيراً؛ حيث استطاع النظر إلى صندوق شفاف، ورؤية العناصر بداخله، والتمييز بين الجسم وبين الفوضى في الخلفية، مثل الشريط اللاصق على الأرض أو الأوراق فوق الصندوق. وقد نجح في تقدير فئة الوزن في الوقت الفعلي، محققاً دقة تزيد عن اثنين وثمانين بالمائة. وهذه الدقة العالية تعني أن الجهاز يمكنه تحديد مستوى الدعم الصحيح قبل أن يبدأ العامل في الانحناء لأسفل.

تضمنت المرحلة النهائية من البحث وضع هذا النظام التنبئي تحت الاختبار في بيئة ديناميكية. حيث سار اثنا عشر متطوعاً جديداً عبر مسار، وهم يلتقطون صناديق بأوزان متفاوتة أثناء ارتداء الهيكل الخارجي. وقارن الباحثون بين ثلاثة سيناريوهات: الرفع بدون أي جهاز، والرفع مع مستوى ثابت من المساعدة، والرفع مع النظام التكيفي الجديد الذي يغير دعمه بناءً على ما تراه الكاميرا. وكانت النتائج واضحة؛ فقد قلل النظام التكيفي من ذروة تنشيط عضلات الظهر بنسبة تصل إلى ثلاثة وعشرين بالمائة مقارنة بالإعدادات الثابتة. كما حسن متوسط تقليل جهد العضلات بأكثر من ثمانية بالمائة. ولعل الأهم من ذلك هو أن هذه الحماية المتزايدة لم تأتِ على حساب الراحة؛ فلم يبلغ المتطوعون عن شعورهم بمزيد من عدم الراحة مع النظام التكيفي، بل إن الكثيرين فضلوا استخدامه لأنه بدا أكثر طبيعية واستجابة لمهمتهم المحددة.

كما سلطت الدراسة الضوء على سبب أهمية هذا النهج التنبئي. ففي الأنظمة السابقة، كان الجهاز غالباً ما ينتظر حتى يبدأ العامل في الرفع قبل أن يدرك مدى ثقل الحمل، وبحلول ذلك الوقت، يكون الإجهاد الأكثر حدة قد وقع بالفعل على عضلات الظهر. ومن خلال تقدير الوزن مسبقاً، يضمن النظام الجديد أن تكون المساعدة جاهزة تماماً عند الحاجة إليها، في بداية الحركة مباشرة. وأشار الباحثون إلى أنه بينما عمل النظام بشكل ممتاز في مختبرهم المنضبط مع الصناديق الشفافة، إلا أن هناك تحديات تظل قائمة للاستخدام الصناعي في العالم الحقيقي؛ فعلى سبيل المثال، لا يزال تقدير وزن الأجسام المعتمة أو غير منتظمة الشكل التي تفتقر إلى الإشارات البصرية أمراً صعباً. ومع ذلك، فإن إثبات المفهوم صلب: فمن خلال الجمع بين الفهم الواضح لراحة الإنسان والقدرة على رؤية وتوقع البيئة، يمكن للروبوتات القابلة للارتداء أن تتجاوز كونها مجرد أدوات ثابتة بسيطة لتصبح شركاء أذكياء يحمون الصحة البشرية بفاعلية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →