[论文解读] 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 4

一句话总结

本研究提出了一种基于机器学习的反馈系统，可预测机械臂未来可能承受的机械载荷，并通过振动触觉反馈将这些预测结果传达给用户，从而提升用户对假肢的控制能力。在五名健康受试者参与的实验中，预测性反馈显著优于反应性反馈，有效减少了冲击次数并提高了任务精度，证明了学习到的预测能力可同时增强控制性能与人机交互效果。

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.

研究动机与目标

• 为解决当前人工肢体中缺乏有效反馈与控制的问题，特别是缺乏本体感觉和预测性信息的问题。
• 探究机器学习是否能够通过预测假肢的未来机械状态来增强反馈性能。
• 通过将设备内部状态的预测性洞察传达给用户，提升用户对假肢的控制能力与接受度。
• 研究预测性反馈是否能减少用户错误并提升任务表现，相较于纯反应性反馈。
• 为人工智能不仅用于控制，还用于智能反馈在假肢系统中的应用提供基础性证据。

提出的方法

• 采用一种实时在线学习算法，预测机器人肢体在与工作环境交互过程中产生的与冲击相关的电学载荷。
• 系统基于当前和历史传感器数据，利用增量学习技术，实时预测未来的载荷值。
• 将预测的载荷值转化为振动触觉反馈模式，并通过可穿戴袖套传递至用户的前臂。
• 反馈以实时方式呈现，使用户能在物理冲击发生前预知即将发生的接触。
• 系统对比了三种反馈模式：无反馈、纯反应性反馈（即时载荷）和预测性反馈（学习到的预测结果）。
• 学习算法在用户交互过程中持续训练，动态适应用户行为与环境交互的变化。

实验结果

研究问题

• RQ1 机器学习预测的未来机械载荷是否能提升用户对机器人肢体的控制表现？
• RQ2 与纯反应性反馈相比，预测性反馈在任务准确性和冲击减少方面表现如何？
• RQ3 用户能否有效理解并利用学习到的预测结果，作为非生物性的本体感觉反馈？
• RQ4 使用预测性反馈是否能提升用户控制的精度并减少对肢体的物理冲击？
• RQ5 机器智能在多大程度上可增强反馈通信，以改善人工肢体与用户的融合？

主要发现

• 与反应性反馈相比，使用学习到的预测性反馈显著减少了机器人肢体所经历的冲击次数。
• 在接收预测性反馈时，受试者在任务表现精度上达到更高水平，且与反应性反馈条件相比具有统计学上的显著优势。
• 预测性反馈系统使用户能够更精确地定位肢体，即使在缺乏其他感官反馈的情况下亦然。
• 该系统证明了在用户主动控制过程中，实时增量学习可生成可靠的载荷预测。
• 结果表明，预测性反馈可增强用户对肢体未来状态的感知，从而改善控制能力并减少对反应性线索的依赖。
• 本研究首次提供了实证证据，表明机器智能可用于改进假肢系统的反馈机制，而不仅限于控制功能。