The HANDi Hand V2: Enhancing a Multi-articulating Prosthetic Hand for Continual Machine Learning Research
Questo articolo presenta la versione ridisegnata di HANDi Hand V2, una piattaforma protesica sensorizzata open-source che colma il divario di prestazioni con i dispositivi commerciali e dimostra come lo switching adattivo basato sull'apprendimento automatico possa ridurre lo sforzo di controllo dell'utente pur consentendo una selezione diversificata delle prese.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Per le persone che hanno perso una mano, i moderni dispositivi protesici possono apparire come meraviglie dell'ingegneria, capaci di imitare i movimenti complessi di un arto biologico. Eppure, per molti utenti, questi dispositivi rimangono frustrantemente difficili da controllare. Il problema fondamentale non è che le macchine non sappiano muoversi, ma che la mente umana debba lavorare troppo duramente per dire loro cosa fare. Per prendere una tazza, un utente potrebbe dover scorrere manualmente un menu di diversi stili di presa, un processo che richiede una concentrazione intensa e che spesso porta alla fatica. Quando lo sforzo mentale richiesto per operare un dispositivo diventa eccessivo, gli utenti spesso smettono del tutto di usarlo. I ricercatori stanno ora esplorando una strada diversa: invece di chiedere all'essere umano di gestire la complessità della macchina, stanno insegnando alla macchina ad anticipare i bisogni dell'uomo. Questo approccio si basa su un concetto chiamato apprendimento continuo, in cui un dispositivo osserva le azioni di un utente nel tempo e impara gradualmente a prevederne le intenzioni, diventando efficacemente un partner che si fa carico del lavoro pesante nel processo decisionale.
Presso l'Università dell'Alberta, un team di ricercatori ha costruito un nuovo strumento per testare questa idea, colmando una lacuna critica nel settore. Sebbene esistano protesi commerciali costose, esse sono spesso sistemi chiusi che i ricercatori non possono facilmente modificare o dotare dei sensori necessari per esperimenti di apprendimento avanzati. Al contrario, molti dispositivi economici e stampati in 3D disponibili per la ricerca mancano della robustezza e della ricchezza sensoriale necessarie per sopravvivere ai rigorosi test richiesti dall'apprendimento automatico. Il team ha risposto ridisegnando la loro "HANDi Hand" open-source, creando una seconda versione che sia più resistente e più intelligente. Questo nuovo dispositivo, la HANDi Hand V2, è costruito per resistere ai ripetuti cicli di tentativi ed errori che il machine learning richiede, raccogliendo al contempo una vasta gamma di dati su come si muove e tocca il mondo.
Il ridisegno fisico si è concentrato sulla risoluzione della fragilità che affliggeva la versione originale. I ricercatori hanno sostituito i vecchi motori con un nuovo tipo che può funzionare per almeno un'ora senza surriscaldarsi, un parametro scelto per corrispondere alla durata delle tipiche sessioni di apprendimento in laboratorio. Hanno anche ridisegnato i tendini interni che tirano le dita per chiuderle. Invece di utilizzare fili e molle che potrebbero aggrovigliarsi o rompersi, il nuovo design utilizza resistenti fascette in nylon. Queste fascette sono abbastanza robuste da gestire lo stress di ripetute prese e possono essere sostituite in meno di cinque minuti se dovessero usurarsi. Per rendere la mano più sensibile, il team ha aggiunto una serie di sensori che misurano l'angolo di ogni articolazione, la forza sulle punte delle dita e persino la temperatura e la corrente elettrica all'interno dei motori stessi. Una telecamera montata sul polso fornisce una visuale degli oggetti verso cui la mano si sta protendendo, offrendo al computer un'immagine chiara del compito da svolgere.
Per dimostrare che questa nuova dotazione hardware fosse pronta per l'uso nel mondo reale, i ricercatori l'hanno sottoposta a un test standardizzato chiamato Anthropomorphic Hand Assessment Protocol. Questo test prevede il tentativo di afferrare ventisei oggetti comuni della casa utilizzando dieci diversi tipi di presa, dal tenere una grande bottiglia al pizzicare una piccola moneta. La HANDi Hand V2 ha avuto successo nel 79 percento dei compiti, un punteggio che la pone al di sopra di altre mani da ricerca stampate in 3D e accorcia il divario di prestazioni con i costosi dispositivi commerciali. Il miglioramento è stato particolarmente evidente nella capacità di mantenere gli oggetti stabili; i nuovi motori hanno permesso alla mano di mantenere una presa salda anche quando i tendini flessibili tendevano a rilassarsi, una caratteristica cruciale per compiti come trasportare un piatto senza farlo cadere.
Con una piattaforma robusta a disposizione, il team ha poi testato se il dispositivo potesse imparare a scegliere la presa corretta autonomamente. Hanno allestito un esperimento in cui un partecipante doveva far muovere la mano attraverso una sequenza di tre diverse prese: una mano aperta, una presa a pinza e una presa cilindrica. Nella prima condizione, l'utente doveva premere ripetutamente un pulsante per scorrere tra le opzioni finché non appariva quella corretta, un processo che richiedeva circa 45 secondi per completare un ciclo completo. Nella seconda condizione, il sistema ha utilizzato un algoritmo di apprendimento per prevedere quale presa l'utente volesse in base alla direzione in cui la mano era puntata. Man mano che l'utente ripeteva il compito, il sistema ha imparato il modello e ha iniziato a presentare immediatamente la presa corretta. In pochi minuti, il tempo necessario per passare tra le prese è sceso a circa 33 secondi e il numero di volte in cui l'utente doveva premere il pulsante è diminuito significativamente.
I risultati suggeriscono che spostare l'onere del controllo dall'utente alla macchina non è solo possibile, ma efficace. Entro la fine dell'esperimento, il sistema aveva imparato ad anticipare l'intento dell'utente così bene da poter spesso saltare interamente il menu, presentando l'azione desiderata con un singolo segnale. I ricercatori hanno osservato che questo cambiamento ha fatto molto più che risparmiare tempo; ha eliminato l'esitazione fisica che gli utenti provavano scorrendo le opzioni, permettendo loro di avvicinarsi agli oggetti con fiducia. Sebbene questo studio sia stato condotto in un ambiente controllato con un numero limitato di prese, i risultati indicano che una piattaforma durevole e ricca di sensori come la HANDi Hand V2 può supportare lo sviluppo di protesi che agiscano come estensioni intelligenti del corpo umano. Il lavoro dimostra che, con l'hardware giusto, le macchine possono imparare a essere meno strumenti reattivi e più partner proattivi, riducendo potenzialmente la frustrazione che porta molti ad abbandonare i propri dispositivi.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.