The HANDi Hand V2: Enhancing a Multi-articulating Prosthetic Hand for Continual Machine Learning Research
Dieses Paper präsentiert die neu gestaltete HANDi Hand V2, eine quelloffene, sensorisierte Prothesenplattform, welche die Leistungslücke zu kommerziellen Geräten schließt und demonstriert, wie maschinell erlerntes adaptives Umschalten den Steuerungsaufwand des Nutzers reduzieren kann, während gleichzeitig eine vielfältige Griffwahl ermöglicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Für Menschen, die eine Hand verloren haben, können moderne Prothesen wie Wunderwerke der Ingenieurskunst wirken, die in der Lage sind, die komplexen Bewegungen einer biologischen Gliedmaße nachzuahmen. Doch für viele Nutzer bleiben diese Geräte frustrierend schwer zu steuern. Das Kernproblem ist nicht, dass die Maschinen sich nicht bewegen können, sondern dass der menschliche Geist zu viel Arbeit leisten muss, um ihnen zu sagen, was sie tun sollen. Um eine Tasse aufzuheben, muss ein Nutzer möglicherweise manuell durch ein Menü verschiedener Griffarten navigieren – ein Prozess, der intensive Konzentration erfordert und oft zu Ermüdung führt. Wenn der mentale Aufwand, der zur Bedienung eines Geräts erforderlich ist, zu groß wird, stellen Nutzer es oft ganz auf. Forscher untersuchen nun einen anderen Weg: Anstatt den Menschen zu verlangen, die Komplexität der Maschine zu verwalten, bringen sie der Maschine bei, die Bedürfnisse des Menschen vorauszusehen. Dieser Ansatz stützt sich auf ein Konzept namens kontinuierliches Lernen (Continual Learning), bei dem ein Gerät die Handlungen eines Nutzers über die Zeit beobachtet und allmählich lernt, deren Absichten vorherzusagen, wodurch es effektiv zu einem Partner wird, der die schwere Arbeit der Entscheidungsfindung übernimmt.
An der University of Alberta hat ein Forschungsteam ein neues Werkzeug entwickelt, um diese Idee zu testen und eine kritische Lücke auf diesem Gebiet zu schließen. Während teure kommerzielle Prothesen existieren, handelt es sich bei diesen oft um geschlossene Systeme, die Forscher nicht ohne Weiteres modifizieren oder mit den Sensoren ausstatten können, die für fortgeschrittene Lernexperimente benötigt werden. Umgekehrt fehlen vielen kostengünstigen, 3D-gedruckten Händen, die für die Forschung verfügbar sind, die Haltbarkeit und die sensorische Reichhaltigkeit, die für die strengen Tests erforderlich sind, die maschinelles Lernen voraussetzt. Das Team reagierte darauf, indem es seine Open-Source „HANDi Hand“ neu gestaltete und eine zweite Version erschuf, die sowohl robuster als auch intelligenter ist. Dieses neue Gerät, die HANDi Hand V2, ist darauf ausgelegt, den wiederholten Zyklen von Versuch und Irrtum standzuhalten, die maschinelles Lernen erfordert, während es gleichzeitig eine breite Palette von Daten darüber sammelt, wie es sich bewegt und die Welt berührt.
Das physische Redesign konzentrierte sich darauf, die Fragilität zu lösen, die die ursprüngliche Version plagte. Die Forscher ersetzten die alten Motoren durch einen neuen Typ, der mindestens eine Stunde lang laufen kann, ohne zu überhitzen – ein Benchmark, der gewählt wurde, um der Länge typischer Labortestsitzungen zu entsprechen. Sie gestalteten auch die internen Sehnen neu, die die Finger schließen. Anstatt Schnüre und Federn zu verwenden, die sich verheddern oder reißen könnten, nutzt das neue Design robuste Nylon-Kabelbinder. Diese Binder sind stark genug, um der Belastung beim wiederholten Greifen standzuhalten, und können in weniger als fünf Minuten ausgetauscht werden, falls sie einmal verschleißen sollten. Um die Hand empfindlicher zu machen, fügte das Team eine Reihe von Sensoren hinzu, die den Winkel jedes Gelenks, die Kraft an den Fingerspitzen und sogar die Temperatur und den elektrischen Strom innerhalb der Motoren selbst messen. Eine am Handgelenk montierte Kamera bietet eine Sicht auf die Objekte, nach denen die Hand greift, und liefert dem Computer so ein klares Bild der anstehenden Aufgabe.
Um zu beweisen, dass diese neue Hardware bereit für den realen Einsatz war, unterzogen die Forscher sie einem standardisierten Test namens „Anthropomorphic Hand Assessment Protocol“. Dieser Test beinhaltet den Versuch, sechsundzwanzig gängige Haushaltsgegenstände mit zehn verschiedenen Arten von Griffen zu greifen, vom Halten einer großen Flasche bis zum Greifen einer kleinen Münze. Die HANDi Hand V2 bestand 79 Prozent der Aufgaben, ein Wert, der sie vor andere 3D-gedruckte Forschungshände stellt und die Leistungslücke zu teuren kommerziellen Geräten verringert. Die Verbesserung war besonders deutlich bei der Fähigkeit, Objekte stabil zu halten; die neuen Motoren ermöglichten es der Hand, selbst dann einen festen Griff beizubehalten, wenn die flexiblen Sehnen versuchten, sich zu entspannen – ein entscheidendes Merkmal für Aufgaben wie das Tragen eines Tellers, ohne ihn fallen zu lassen.
Mit einer robusten Plattform in der Hand testete das Team dann, ob das Gerät lernen kann, den richtigen Griff von selbst zu wählen. Sie richteten ein Experiment ein, bei dem ein Teilnehmer die Hand durch eine Sequenz von drei verschiedenen Griffen bewegen musste: eine offene Hand, ein Pinzettengriff und ein Zylindergriff. In der ersten Bedingung musste der Nutzer wiederholt eine Taste drücken, um durch die Optionen zu schalten, bis die richtige erschien – ein Prozess, der etwa 45 Sekunden dauerte, um einen vollständigen Zyklus zu durchlaufen. In der zweiten Bedingung nutzte das System einen Lernalgorithmus, um vorherzusagen, welchen Griff der Nutzer wollte, basierend auf die Richtung, in die die Hand zeigte. Während der Nutzer die Aufgabe wiederholte, lernte das System das Muster und begann, den korrekten Griff sofort zu präsenten. Innerhalb weniger Minuten sank die Zeit, die für den Wechsel zwischen den Griffen benötigt wurde, auf etwa 33 Sekunden, und die Anzahl der Male, die der Nutzer die Taste drücken musste, verringerte sich signifikant.
Die Ergebnisse legen nahe, dass die Verlagerung der Kontrolle vom Nutzer auf die Maschine nicht nur möglich, sondern auch effektiv ist. Bis zum Ende des Experiments hatte das System gelernt, die Absicht des Nutzers so gut vorherzusehen, dass es oft das Menü ganz überspringen konnte, indem es die gewünschte Aktion mit einem einzigen Signal präsentierte. Die Forscher stellten fest, dass diese Änderung nicht nur Zeit sparte, sondern auch das körperliche Zögern beseitigte, das Nutzer beim Durchschalten der Optionen verspürten, was es ihnen ermöglichte, Objekten mit Zuversicht zu nähern. Obwohl diese Studie in einer kontrollierten Umgebung mit einer begrenzten Anzahl von Griffen durchgeführt wurde, deuten die Ergebnisse darauf hin, dass eine robuste, sensorreiche Plattform wie die HANDi Hand V2 die Entwicklung von Prothesen unterstützen kann, die als intelligente Erweiterungen des menschlichen Körpers fungieren. Die Arbeit zeigt, dass Maschinen mit der richtigen Hardware lernen können, weniger reaktive Werkzeuge und mehr proaktive Partner zu sein, was potenziell die Frustration reduziert, die viele dazu führt, ihre Geräte aufzugeben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.