The HANDi Hand V2: Enhancing a Multi-articulating Prosthetic Hand for Continual Machine Learning Research
Este artículo presenta la rediseñada HANDi Hand V2, una plataforma protésica sensorizada y de código abierto que cierra la brecha de rendimiento con los dispositivos comerciales y demuestra cómo el cambio adaptativo mediante aprendizaje automático puede reducir el esfuerzo de control del usuario al tiempo que permite una selección de agarre diversa.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Para las personas que han perdido una mano, los dispositivos protésicos modernos pueden parecer maravillas de la ingeniería, capaces de imitar los movimientos complejos de un miembro biológico. Sin embargo, para muchos usuarios, estos dispositivos siguen siendo frustrantemente difíciles de controlar. El problema central no es que las máquinas no puedan moverse, sino que la mente humana debe trabajar demasiado para decirles qué hacer. Para recoger una taza, un usuario podría tener que navegar manualmente por un menú de diferentes estilos de agarre, un proceso que exige una concentración intensa y que a menudo conduce a la fatiga. Cuando el esfuerzo mental requerido para operar un dispositivo es demasiado grande, los usuarios suelen dejar de usarlo por completo. Los investigadores están explorando ahora un camino diferente: en lugar de pedir al humano que gestione la complejidad de la máquina, le están enseñando a la máquina a anticipar las necesidades del humano. Este enfoque se basa en un concepto llamado aprendizaje continuo, donde un dispositivo observa las acciones de un usuario a lo largo del tiempo y aprende gradualmente a predecir sus intenciones, convirtiéndose efectivamente en un compañero que se encarga del trabajo pesado de la toma de decisiones.
En la Universidad de Alberta, un equipo de investigadores ha construido una nueva herramienta para probar esta idea, abordando una brecha crítica en el campo. Si bien existen prótesis comerciales costosas, estas suelen ser sistemas cerrados que los investigadores no pueden modificar fácilmente ni instrumentar con los sensores necesarios para experimentos de aprendizaje avanzado. Por el contrario, muchas manos impresas en 3D de bajo costo disponibles para la investigación carecen de la durabilidad y la riqueza sensorial requeridas para sobrevivir a las rigurosas pruebas necesarias para el aprendizaje automático. El equipo respondió rediseñando su "HANDi Hand" de código abierto, creando una segunda versión que es tanto más resistente como más inteligente. Este nuevo dispositivo, el HANDi Hand V2, está construido para soportar los ciclos repetidos de ensayo y error que requiere el aprendizaje automático, además de recopilar una amplia gama de datos sobre cómo se mueve y toca el mundo.
El rediseño físico se centró en resolver la fragilidad que plagaba a la versión original. Los investigadores reemplazaron los motores antiguos por un nuevo tipo que puede funcionar durante al menos una hora sin sobrecalentarse, un parámetro de referencia elegido para coincidir con la duración de las sesiones típicas de aprendizaje en laboratorio. También rediseñaron los tendones internos que tiran de los dedos para cerrarlos. En lugar de utilizar cuerdas y resortes que podrían enredarse o romperse, el nuevo diseño utiliza bridas de nailon de alta resistencia. Estas bridas son lo suficientemente fuertes como para manejar el estrés de los agarres repetidos y pueden cambiarse en menos de cinco minutos si alguna vez se desgastan. Para hacer la mano más sensible, el equipo añadió un conjunto de sensores que miden el ángulo de cada articulación, la fuerza en las puntas de los dedos e incluso la temperatura y la corriente eléctrica dentro de los propios motores. Una cámara montada en la muñeca proporciona una vista de los objetos hacia los que la mano se dirige, dando a la computadora una imagen clara de la tarea en curso.
Para demostrar que este nuevo hardware estaba listo para el uso en el mundo real, los investigadores lo sometieron a una prueba estandarizada llamada Protocolo de Evaluación de Mano Antropomórfica. Esta prueba consiste en intentar agarrar veintiséis objetos comunes del hogar utilizando diez tipos diferentes de agarres, desde sostener una botella grande hasta pellizcar una moneda pequeña. El HANDi Hand V2 tuvo éxito en el 79 por ciento de las tareas, una puntuación que lo sitúa por delante de otras manos de investigación impresas en 3D y reduce la brecha de rendimiento con los dispositivos comerciales costosos. La mejora fue particularmente notable en la capacidad de sostener objetos con firmeza; los nuevos motores permitieron que la mano mantuviera un agarre firme incluso cuando los tendones flexibles intentaban relajarse, una característica crucial para tareas como llevar un plato sin que se caiga.
Con una plataforma robusta en mano, el equipo probó entonces si el dispositivo podía aprender a elegir el agarre correcto por sí mismo. Establecieron un experimento en el que un participante tenía que mover la mano a través de una secuencia de tres agarres diferentes: una mano abierta, un pellizco y un agarre cilíndrico. En la primera condición, el usuario tenía que presionar un botón repetidamente para navegar por las opciones hasta que apareciera la correcta, un proceso que tomaba unos 45 segundos para completar un ciclo completo. En la segunda condición, el sistema utilizó un algoritmo de aprendizaje para predecir qué agarre quería el usuario basándose en la dirección hacia la que apuntaba la mano. A medida que el usuario repetía la tarea, el sistema aprendía el patrón y comenzaba a presentar el agarre correcto de inmediato. En pocos minutos, el tiempo requerido para cambiar entre agarres disminuyó a unos 33 segundos, y el número de veces que el usuario tenía que presionar el botón disminuyó significativamente.
Los resultados sugieren que trasladar la carga del control del usuario a la máquina no solo es posible, sino también efectivo. Al final del experimento, el sistema había aprendido a anticipar la intención del usuario tan bien que a menudo podía saltarse el menú por completo, presentando la acción deseada con una sola señal. Los investigadores señalaron que este cambio hizo más que solo ahorrar tiempo; eliminó la vacilación física que sentían los usuarios al navegar por las opciones, permitiéndoles acercarse a los objetos con confianza. Aunque este estudio se realizó en un entorno controlado con un número limitado de agarres, los hallazgos indican que una plataforma duradera y rica en sensores como el HANDi Hand V2 puede sustentar el desarrollo de prótesis que actúen como extensiones inteligentes del cuerpo humano. El trabajo demuestra que, con el hardware adecuado, las máquinas pueden aprender a ser menos herramientas reactivas y más compañeras proactivas, reduciendo potencialmente la frustración que lleva a muchos a abandonar sus dispositivos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.