The HANDi Hand V2: Enhancing a Multi-articulating Prosthetic Hand for Continual Machine Learning Research
本文介绍了重新设计的 HANDi Hand V2，这是一个开源的、传感器化的假肢平台，它弥补了与商业设备之间的性能差距，并展示了机器学习自适应切换如何能在实现多样化抓握选择的同时减少用户的控制力度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
对于失去手部功能的人来说，现代假肢设备在外观上可能看起来像是工程学的奇迹，能够模拟生物肢体的复杂运动。然而，对于许多使用者而言，这些设备在控制上仍然困难得令人沮丧。核心问题不在于机器无法移动，而在于人类的大脑必须付出过多的努力来告诉它们该做什么。为了拿起一个杯子，用户可能必须手动循环浏览不同的抓握风格菜单，这个过程需要高度的专注，并往往会导致疲劳。当操作设备所需的精神努力过大时，用户往往会彻底放弃使用它。研究人员现在正在探索一条不同的路径：与其要求人类去管理机器的复杂性，不如教机器去预判人类的需求。这种方法依赖于一个被称为“持续学习”的概念，即设备通过观察用户随时间变化的动作，逐渐学会预测其意图，从而有效地成为一个能够处理决策重任的伙伴。
在阿尔伯塔大学，一个研究团队构建了一个新工具来测试这一想法，解决了该领域的一个关键空白。虽然存在昂贵的商业假肢，但它们通常是封闭系统，研究人员无法轻易对其进行修改，也无法安装用于先进学习实验所需的传感器。相反，许多用于研究的低成本3D打印手部缺乏在机器学习严苛测试中生存所需的耐用性和感官丰富度。研究团队对此做出了回应，重新设计了他们的开源“HANDi Hand”，创造了第二个版本，它既更坚固也更智能。这个新设备——HANDi Hand V2，旨在承受机器学习所需的反复试错循环，同时收集大量关于其如何移动以及如何感知世界的运动和触觉数据。
物理设计的重点在于解决困扰初版版本的脆弱性问题。研究人员更换了旧电机，采用了新型电机，这种电机可以连续运行至少一小时而不过热，这一基准的选择是为了匹配典型实验室学习课程的时长。他们还重新设计了拉动手指闭合的内部肌腱。该设计不再使用容易缠绕或断裂的绳索和弹簧，而是使用了高强度的尼龙扎带。这些扎带足够强大，能够承受重复抓握带来的压力，并且如果磨损，可以在不到五分钟内完成更换。为了增强手的灵敏度，团队添加了一套传感器，用于测量每个关节的角度、指尖的压力，甚至包括电机内部的温度和电流。安装在手腕上的摄像头提供了观察手部正伸手抓取之物的视角，为计算机提供了任务的清晰图像。
为了证明这种新硬件已准备好投入实际应用，研究人员通过了一项名为“拟人化手部评估协议”的标准测试。该测试涉及尝试使用十种不同类型的抓握方式去抓取二十六种常见的家用物品，从握住一个大瓶子到捏起一枚小硬币。HANDi Hand V2 在任务中的成功率为 79%，这一得分使其领先于其他 3D 打印研究型手部，并缩小了与昂贵商业设备之间的性能差距。这种改进在保持物体稳定方面尤特别显著；新电机使得手部即使在柔性肌腱试图放松时也能保持牢固的抓握，这对于像端着盘子而不掉落这样的任务至关重要。
在拥有了稳健的平台后，团队随后测试了该设备是否能学会自主选择正确的抓握方式。他们设置了一个实验，参与者必须让手部完成三个不同抓握动作的序列：张开手掌、捏取和圆柱形抓握。在第一种条件下，用户必须反复按下按钮以循环选项，直到出现正确的选项，完成一个完整循环大约需要 45 秒。在第二种条件下，系统利用学习算法，根据手部指向的方向来预测用户想要哪种抓握方式。随着用户重复该任务，系统学习到了其中的模式，并开始立即呈现正确的抓握方式。在几分钟内，切换抓握方式所需的时间降至约 33 秒，且用户必须按按钮的次数显著减少。
结果表明，将控制权从用户转向机器不仅是可能的，而且是有效的。在实验结束时，系统已经学会了如此精准地预判用户的意图，以至于它通常可以跳过菜单，仅凭一个信号就能呈现所需的动作。研究人员指出，这种变化不仅仅节省了时间，还消除了用户在循环选项时产生的身体迟疑感，使他们能够更有信心地接近目标物体。尽管这项研究是在受控环境下进行的，且涉及的抓握类型有限，但研究结果表明，像 HANDi Hand V2 这样耐用且传感器丰富的平台，可以支持开发出作为人类身体智能延伸的假肢。这项工作证明，通过合适的硬件，机器可以从被动的工具转变为主动的伙伴，从而有望减少导致许多人放弃使用设备的挫败感。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。