خب بیا یه کم درباره دنیای ربات‌های پوشیدنی (یا همون اسکلت بیرونی! یعنی یه لباس رباتیک که آدم می‌پوشه به‌خصوص برای پاهاش) باهم گپ بزنیم. این ربات‌ها مخصوصاً برای آدم‌هایی که مشکل حرکتی دارن خیلی می‌تونه کمک‌کننده باشه، یا حتی برای کسایی که سالم هستن ولی می‌خوان قوی‌تر و کارآمدتر راه برن یا بدوند. اما یه مشکل اساسی همیشه هست: این که چطور کاری کنیم ربات به‌طور دقیق و هوشمند بفهمه ما کجا داریم راه می‌ریم، زمین سر بالاییه، پله است یا سطح صاف و بتونه پا به پای ما با کمترین تاخیر واکنش نشون بده!
اینجا دقیقاً سر و کله یادگیری عمیق (Deep Learning یعنی مدلی از هوش مصنوعی که با ساختار مغز انسان شبیه‌سازی میشه و خیلی خوب می‌تونه الگوهای پیچیده رو یاد بگیره) پیدا میشه. تو این تحقیق باحال، اومدن یه سری مدل یادگیری عمیق رو برداشتن و امتحان کردن ببینن کدوم یکی بهتر می‌تونه شرایط مختلف زمین رو تشخیص بده و پارامترهای مهم مثل شیب رمپ یا ارتفاع پله رو بفهمه.
چیز جالب اینجاست که اونا از دو نوع داده استفاده کردن: داده‌های حرکتی (IMU! یعنی حسگرهایی که حرکت و شتاب بدن رو اندازه‌گیری می‌کنن) و داده‌های عضلانی (EMG یعنی حسگرهایی که فعالیت ماهیچه رو ثبت می‌کنن). حالا سوال این بود که آیا لازمه همش رو باهم داشته باشیم یا فقط با همون حسگرهای حرکتی (IMU) هم نتیجه خوب می‌گیریم و می‌تونیم هزینه و پیچیدگی رو کمتر کنیم؟ (هرچی حسگر کمتر، سبک‌تر و راحت‌تر برای آدم‌ها!)
تو آزمایش‌هاشون از هشت تا شبکه عصبی مختلف (مثل LSTM، CNN، مدل ترکیبی CNN-LSTM و چند مدل دیگه که هرکدوم یه جور ساختار برای تحلیل زمان‌دار داده دارن) استفاده کردن. تازه با تکنیک SHAP هم اومدن مدل رو بررسی کردن که بفهمن کدوم حسگرها واقعاً ضروری‌ان و میشه بعضیاش رو حذف کرد یا نه (SHAP یه روشی هست که کمک می‌کنه بفهمیم مدل AI به کدوم ورودی‌ها بیشتر بها میده و تصمیم‌گیریش بر اساس چیه).
نتایجشون خیلی هیجان‌انگیز بود! فهمیدن که فقط با سه تا IMU (یعنی فقط حسگرهای حرکتی و بدون هیچ حسگر عضله‌ای) میشه با دقت فوق‌العاده، هم نوع زمین رو تشخیص داد (مثلاً مدل LSTM با سه تا IMU تونسته ۹۴٪ دقت بده تو تشخیص انواع زمین! واقعاً عالیه) و هم شیب رمپ رو درست حدس بزنه (میانگین خطاش ۱.۹۵ درجه بوده که خیلی خوبه). برای برآوردن کردن ارتفاع پله هم مدل ترکیبی CNN-LSTM بهترین نتیجه رو داده، با دقت تقریبی ۱۵.۶۵ میلی‌متر.
یه نکته باحال اینه که حذف حسگر EMG (یعنی همون حسگر عضلات) خللی تو دقت مدل‌ها ایجاد نکرده! این یعنی میشه ربات‌ها رو ساده‌تر و ارزون‌تر ساخت، چون لازم نیست هر چی حسگر هست به بدن آدم بند کنیم.
سرعت مدل هم حرف نداره: کل پروسه پیش‌بینی (یعنی فهمیدن نوع زمین و محاسبه پارامترها) فقط حدود ۲ هزارم ثانیه طول می‌کشه! اینطوری هیچ تاخیری تو واکنش نشون دادن ربات به حرکت‌های کاربر نیست و واسه کاربرد روزمره و واقعی کاملاً جواب میده.
خلاصه اینکه این تحقیق نشون میده میشه با استفاده از هوش مصنوعی و فقط چند تا حسگر حرکت، یه ربات پوشیدنی خیلی هوشمند، سریع و قابل‌دسترس ساخت که به آدم‌ها واسه راه رفتن بهتر کمک می‌کنه! اگر دوست داری خودت این مدل‌ها یا کدها رو ببینی، حتی لینکش هم گذاشتن و رایگانه: https://github.com/cosbidev/Human-Locomotion-Identification
در کل، آینده ربات‌های پوشیدنی خیلی روشنه و با اینجور پیشرفت‌ها افراد بیشتری می‌تونن راحت‌تر و با خیال راحت‌تر راه برن یا به فعالیت‌های بیشتری برسن!
منبع: +
