[論文レビュー] Using Learned Predictions as Feedback to Improve Control and Communication with an Artificial Limb: Preliminary Findings

Adam S. R. Parker, Ann L. Edwards+1 more|arXiv (Cornell University)|Aug 8, 2014

Muscle activation and electromyography studies参考文献 20被引用数 4

ひとこと要約

本研究では、機械学習に基づくフィードバックシステムを導入し、ロボットアームの将来の機械的負荷を予測し、その予測値を振動触覚フィードバックとしてユーザーに伝えることで、ユーザーの制御性を向上させることを目的としている。5名の健常被験者を用いた実験では、予測型フィードバックが反応型フィードバックを著しく上回り、衝撃を低減し、タスクの正確性を向上させた。この結果から、学習された予測は、補装肢における制御性およびユーザーとデバイスの間の通信を向上させることを示している。

ABSTRACT

Many people suffer from the loss of a limb. Learning to get by without an arm or hand can be very challenging, and existing prostheses do not yet fulfil the needs of individuals with amputations. One promising solution is to provide greater communication between a prosthesis and its user. Towards this end, we present a simple machine learning interface to supplement the control of a robotic limb with feedback to the user about what the limb will be experiencing in the near future. A real-time prediction learner was implemented to predict impact-related electrical load experienced by a robot limb; the learning system's predictions were then communicated to the device's user to aid in their interactions with a workspace. We tested this system with five able-bodied subjects. Each subject manipulated the robot arm while receiving different forms of vibrotactile feedback regarding the arm's contact with its workspace. Our trials showed that communicable predictions could be learned quickly during human control of the robot arm. Using these predictions as a basis for feedback led to a statistically significant improvement in task performance when compared to purely reactive feedback from the device. Our study therefore contributes initial evidence that prediction learning and machine intelligence can benefit not just control, but also feedback from an artificial limb. We expect that a greater level of acceptance and ownership can be achieved if the prosthesis itself takes an active role in transmitting learned knowledge about its state and its situation of use.

研究の動機と目的

• 現在の人工肢に見られる効果的なフィードバックや制御の欠如、特に本体感覚および予測情報の欠如という問題に対処すること。
• 機械学習が、補装肢の将来的な機械的状態を予測することで、フィードバックを向上させられるかどうかを検討すること。
• デバイスの内部状態から得られる予測的知見をユーザーに伝えることで、ユーザーの制御性と受容性を向上させること。
• 予測型フィードバックが、純粋に反応型フィードバックと比較して、ユーザーの誤りを低減し、タスクパフォーマンスを向上させるかどうかを調査すること。
• 人工知能を制御のためだけでなく、補装肢システムにおける知的フィードバックの実現のためにも活用するという基盤的証拠を提供すること。

提案手法

• 本研究では、作業環境との相互作用中にロボットアームにかかる影響関連の電気的負荷を予測するリアルタイムのオンライン学習アルゴリズムを用いた。
• システムは、現在および過去のセンサデータに基づいて、逐次的学習技術を用いて将来的な負荷値を予測した。
• 予測された負荷値は、ウェアラブルスリーブを介してユーザーの前腕に送られる振動触覚フィードバックパターンに変換された。
• フィードバックはリアルタイムで提供され、物理的衝撃が発生する前にユーザーが次の接触を予測できるようにした。
• 異なるフィードバックモダリティを比較した：フィードバックなし、即時の負荷に基づく純粋な反応型フィードバック、および学習された予測に基づく予測型フィードバック。
• 学習アルゴリズムはユーザーとの相互作用中に訓練され、ユーザー行動や環境との相互作用の変化に応じて動的に適応した。

実験結果

リサーチクエスチョン

• RQ1 機械学習による将来的な機械的負荷の予測は、ロボットアームの制御においてユーザーのパフォーマンスを向上させることができるか？
• RQ2 タスクの正確性と衝撃低減の観点から、予測型フィードバックは純粋に反応型フィードバックと比較してどのように異なるか？
• RQ3 ユーザーは、学習された予測を非生物学的本体感覚として効果的に解釈し、活用できるか？
• RQ4 予測型フィードバックの使用は、ユーザーの制御精度を向上させ、アームへの物理的衝撃を低減させるか？
• RQ5 機械学習の知能は、人工肢とユーザーとの統合を向上させるために、どの程度フィードバック通信を強化できるか？

主な発見

• 学習された予測型フィードバックの使用により、反応型フィードバックと比較して、ロボットアームが経験する衝撃の回数が顕著に減少した。
• 被験者は予測型フィードバックを受信した際、反応型フィードバック条件と比較して、統計的に有意な向上を示したタスクパフォーマンスの正確性を達成した。
• 予測型フィードバックシステムにより、他の感覚フィードバックが欠如している状況でも、ユーザーはアームの位置をより正確に制御できるようになった。
• 本システムは、ユーザーがアクティブに制御している最中に、リアルタイムで逐次的学習が可能であり、信頼性のある負荷予測を生成できることを示した。
• 結果から、予測型フィードバックはユーザーがアームの将来的な状態に対する意識を高め、制御性を向上させ、反応型の手がかりに依存する度合いを低減することが示唆された。
• 本研究は、人工知能を制御のためだけでなく、補装肢システムにおけるフィードバックの向上のためにも活用できるという、最初の実証的証拠を提供した。