张倩 路参与

MIT脑控机器人再升级:脑信号+肌肉信号,轻松控制机器人动作

去年 MIT 的一项研究开发出脑控机器人,利用脑信号来实时纠正机器人做出的选择。但这种方法的缺陷在于,训练过程和对人思维活动的建模非常耗时耗力。近日,MIT 结合脑信号和肌肉信号,对之前的方法进行改进,新的系统将二元选择扩展到多项选择任务,使机器人选择目标的准确率上升到 97% 以上。此外,该系统会针对用户进行调整和适应,而无需用户进行训练,来迁就机器的各种限制。

机器人做事并不容易:通常,科学家要么对机器人进行明确编程,要么使机器人理解人类如何通过语言进行沟通。

但是如果我们能够更加直观地通过手势和脑电波控制机器人呢?

来自 MIT 计算机科学和人工智能实验室(CSAIL)的研究人员开发出一套新系统,旨在完成上述目标,使用户仅仅使用脑信号或手势动作就能即刻纠正机器人的错误。

该团队之前的研究主要关注简单的二元选择活动,而这项新研究将范围扩展至多项选择任务中,开启了人类工作者管理机器人队伍的可能性。

通过控制大脑活动,该系统能够实时检测人是否注意到机器人执行任务过程中所犯的错误。之后,人可以通过一个衡量肌肉活动的接口,滚动查看手势,并选择适合机器人执行的正确选项。

该团队在机器人使用电钻选择三个可能目标的任务中展示了该系统。重要的是,他们展示出该系统对于系统从未见过的人身上同样奏效,这意味着组织可以在现实环境中部署该系统,而无需针对用户训练它。

「这项研究结合了 EEG 和 EMG 反馈,使得人机互动可在更多应用上发生,这比仅使用 EEG 反馈所适合的应用要多。」CSAIL 主任 Daniela Rus 称,同时他也是这样研究的管理者。「加入肌肉反馈后,我们可以使用手势命令机器人完成更加精细、明确的空间移动。」

博士候选人 Joseph DelPreto 是该项目论文的一作,作者还有 Rus、CSAIL 前博士后 Andres F. Salazar-Gomez、CSAIL 前研究科学家 Stephanie Gil、研究学者 Ramin M. Hasani 和波士顿大学教授 Frank H. Guenther。该论文将在下周于匹兹堡举行的 RSS 大会上出现。

在之前的大部分研究中,当人们训练自己用非常具体而抽象的方式「思考」且系统基于大脑信号训练时,系统通常能够识别脑信号。例如,人类操作者在训练过程中,可能必须查看对应不同机器人任务的不同亮光。

毫不奇怪,此类方法对人类来说很难掌握,尤其是在需要高度集中注意力的建筑或导航领域。

同时,Rus 的团队可以利用脑信号,即误差相关电位(error-related potential,ErrP),研究者发现 ErrP 会在人类注意到错误时自然出现。如果 ErrP 出现,则该系统停止,让用户进行修正;没有出现 ErrP,则系统继续运行。

「该方法最伟大的地方在于无需用指定方式训练用户,」DelPreto 说道,「该系统可以根据用户进行调整,而不是反过来让用户适应机器。」

在这个项目中,研究团队使用了来自 Rethink Robotics 的人形机器人——「Baxter」。在人类的监督下,该机器人选择目标的正确率从 70% 上升到约 97%。

为了构建该系统,研究团队在使用者的头皮和前臂上放置了一系列电极,分别利用脑电图(EEG)和肌电图(EMG)监控大脑和肌肉的活动。

这两个指标各有缺点:EEG 信号有时无法检测到,而肌电图信号有时可能无法转化为比「向左或向右」更具体的动作。然而,将二者合一就能实现更强大的生物传感,使得系统可以作用于未经训练的使用者。

DelPreto 表示,「通过观察肌肉和大脑信号,我们可以开始理解人的自然手势以及他们对是否出现问题所做出的瞬间判断,这会使得人类与机器人的交流更近似于与人交流的体验。」

该团队表示,他们可以想象未来该系统将对老年人及存在语言、行动障碍的工人有所帮助。

Rus 表示,「我们希望远离人类受机器限制的世界,而这种方法表明,开发机器系统来自然、直观地扩展人的能力是有可能实现的。」

原文链接:http://news.mit.edu/2018/how-to-control-robots-with-brainwaves-hand-gestures-mit-csail-0620

工程脑控机器人MIT
2
相关数据
机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

推荐文章
暂无评论
暂无评论~