The HANDi Hand V2: Enhancing a Multi-articulating Prosthetic Hand for Continual Machine Learning Research
Cet article présente la version redessinée de la main HANDi V2, une plateforme prothétique capteur en libre accès qui comble l'écart de performance avec les dispositifs commerciaux et démontre comment le basculement adaptatif par apprentissage automatique peut réduire l'effort de contrôle de l'utilisateur tout en permettant une sélection diversifiée des préhensions.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Pour les personnes ayant perdu une main, les prothèses modernes peuvent ressembler à des merveilles d'ingénierie, capables de mimer les mouvements complexes d'un membre biologique. Pourtant, pour de nombreux utilisateurs, ces dispositifs restent frustrants par leur difficulté de contrôle. Le problème fondamental n'est pas que les machines ne peuvent pas bouger, mais que l'esprit humain doit trop travailler pour leur dire quoi faire. Pour saisir une tasse, un utilisateur peut devoir parcourir manuellement un menu de différents styles de préhension, un processus qui exige une concentration intense et entraîne souvent de la fatigue. Lorsque l'effort mental requis pour utiliser un appareil devient trop important, les utilisateurs finissent souvent par ne plus l'utiliser du tout. Les chercheurs explorent désormais une voie différente : au lieu de demander à l'humain de gérer la complexité de la machine, ils apprennent à la machine à anticiper les besoins de l'humain. Cette approche repose sur un concept appelé apprentissage continu, où un dispositif observe les actions d'un utilisateur au fil du temps et apprend progressivement à prédire ses intentions, devenant ainsi un partenaire qui gère la lourde charge de la prise de décision.
À l'Université de l'Alberta, une équipe de chercheurs a conçu un nouvel outil pour tester cette idée, comblant ainsi une lacune critique dans le domaine. Bien qu'il existe des prothèses commerciales coûteuses, elles sont souvent des systèmes fermés que les chercheurs ne peuvent pas facilement modifier ou équiper des capteurs nécessaires à des expériences d'apprentissage avancées. À l'inverse, de nombreuses mains imprimées en 3D à bas coût disponibles pour la recherche manquent de la durabilité et de la richesse sensorielle requises pour survivre aux tests rigoureux nécessaires à l'apprentissage automatique. L'équipe a répondu à ce besoin en redessinant leur « HANDi Hand » en open-source, créant une seconde version qui est à la fois plus robuste et plus intelligente. Ce nouvel appareil, le HANDi Hand V2, est conçu pour résister aux cycles répétés d'essais et d'erreurs que nécessite l'apprentissage automatique, tout en recueillant une vaste quantité de données sur la façon dont il se déplace et touche le monde.
La refonte physique s'est concentrée sur la résolution de la fragilité qui affligeait la version originale. Les chercheurs ont remplacé les anciens moteurs par un nouveau type capable de fonctionner pendant au moins une heure sans surchauffer, un critère choisi pour correspondre à la durée des sessions d'apprentissage typiques en laboratoire. Ils ont également redessiné les tendons internes qui tirent les doigts pour les fermer. Au lieu d'utiliser des cordes et des ressorts qui pourraient s'emmêler ou casser, la nouvelle conception utilise des serre-câbles en nylon robustes. Ces attaches sont assez solides pour supporter le stress de saisies répétées et peuvent être remplacées en moins de cinq minutes si elles s'usent. Pour rendre la main plus sensible, l'équipe a ajouté une suite de capteurs qui mesurent l'angle de chaque articulation, la force aux extrémités des doigts, et même la température et le courant électrique à l'intérieur des moteurs eux-mêmes. Une caméra montée sur le poignet fournit une vue des objets que la main cherche à atteindre, donnant à l'ordinateur une image claire de la tâche en cours.
Pour prouver que ce nouveau matériel était prêt pour une utilisation réelle, les chercheurs l'ont soumis à un test standardisé appelé l'Anthropomorphic Hand Assessment Protocol. Ce test consiste à tenter de saisir vingt-six objets domestiques courants en utilisant dix types de préhension différents, allant de la tenue d'une grande bouteille au pincement d'une petite pièce. Le HANDi Hand V2 a réussi 79 % des tâches, un score qui le place devant les autres mains de recherche imprimées en 3D et réduit l'écart de performance avec les dispositifs commerciaux coûteux. L'amélioration était particulièrement notable dans la capacité à maintenir les objets stables ; les nouveaux moteurs ont permis à la main de maintenir une prise ferme même lorsque les tendons flexibles tentaient de se détendre, une caractéristique cruciale pour des tâches comme porter une assiette sans la faire tomber.
Dotée d'une plateforme robuste, l'équipe a ensuite testé si le dispositif pouvait apprendre à choisir le bon mode de préhension par lui-même. Ils ont mis en place une expérience où un participant devait déplacer la main à travers une séquence de trois types de prises différentes : une main ouverte, un pincement et une prise cylindrique. Dans la première condition, l'utilisateur devait appuyer de manière répétée sur un bouton pour faire défiler les options jusqu'à ce que la bonne apparaisse, un processus qui prenait environ 45 secondes pour compléter un cycle complet. Dans la seconde condition, le système utilisait un algorithme d'apprentissage pour prédire le type de prise souhaité par l'utilisateur en fonction de la direction vers laquelle la main pointait. À mesure que l'utilisateur répétait la tâche, le système apprenait le modèle et commençait à présenter la préhension correcte immédiatement. En quelques minutes, le temps nécessaire pour passer d'une préhension à l'autre est tombé à environ 33 secondes, et le nombre de fois où l'utilisateur devait appuyer sur le bouton a considérablement diminué.
Les résultats suggèrent que de transférer la charge de contrôle de l'utilisateur vers la machine est non seulement possible, mais efficace. À la fin de l'expérience, le système avait appris à anticiper l'intention de l'utilisateur si bien qu'il pouvait souvent ignorer le menu, présentant l'action désirée avec un seul signal. Les chercheurs ont noté que ce changement faisait plus que gagner du temps ; il éliminait l'hésitation physique que les utilisateurs ressentaient en parcourant les options, leur permettant d'approcher les objets avec confiance. Bien que cette étude ait été menée dans un cadre contrôlé avec un nombre limité de types de préhension, les conclusions indiquent qu'une plateforme durable et riche en capteurs comme le HANDi Hand V2 peut soutenir le développement de prothèses agissant comme des extensions intelligentes du corps humain. Ce travail démontre qu'avec le bon matériel, les machines peuvent apprendre à être moins des outils réactifs et plus des partenaires proactifs, réduisant potentiellement la frustration qui conduit de nombreux utilisateurs à abandonner leurs dispositifs.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.