對于柔軟的輔助設備 - 就像哈佛生物設計實驗室設計的外套設備 - 佩戴者和機器人需要保持同步。但是每個人的移動方式都有所不同，為個人用戶定制機器人的參數是一個耗時且低效的過程。

現在，來自哈佛大學John A. Paulson工程與應用與科學學院(SEAS)和Wyss生物學啟發工程研究所的研究人員開發出了一種高效的機器學習算法，可以快速為柔軟，可穿戴的exosuits定制個性化的控制策略。

該研究在Science Robotics中有所描述。

“這種新方法是優化輔助可穿戴設備控制參數設置的有效而快捷的方法，”SEAS的博士后研究員，該研究的共同第一作者葉丁說。“使用這種方法，我們為髖關節伸展輔助裝置的佩戴者實現了代謝性能的巨大改善。”

當人類走路時，我們會不斷調整我們如何節省能源(也稱為代謝成本)。

“之前，如果你有三個不同的用戶在輔助設備上行走，你需要三種不同的輔助策略，”SEAS的博士后研究員，該論文的共同第一作者Myunghee Kim說。“為每個佩戴者找到合適的控制參數曾經是一個困難的，逐步的過程，因為不僅所有人走路都有所不同，而且手動調整參數所需的實驗是復雜和耗時的”

由Conor Walsh，John L. Loeb工程和應用科學副教授以及SEAS工程和計算機科學助理教授Scott Kuindersma領導的研究人員開發了一種算法，可以消除這種變化并快速確定最佳控制最適合最小化步行的參數。

研究人員使用所謂的人在環優化，它使用人體生理信號的實時測量，例如呼吸速率，來調整設備的控制參數。隨著算法在最佳參數上的磨練，它指導了exosuit何時何地提供其輔助力以改善髖部伸展。該團隊使用的貝葉斯優化方法是去年在PLOSone的一篇論文中首次報道的。

與沒有設備的步行相比，算法和套裝的組合使代謝成本降低了17.4%。與團隊之前的工作相比，這提高了60%以上。

“優化和學習算法將對未來可穿戴機器人設備產生重大影響，旨在幫助一系列行為，”Kuindersma說。“這些結果表明，優化甚至非常簡單的控制器可以在行走時為用戶提供顯著的，個性化的好處。擴展這些想法以考慮更具表現力的控制策略以及具有不同需求和能力的人將是令人興奮的下一步。”

沃爾什說：“對于像軟體外套這樣的可穿戴式機器人，在正確的時間提供正確的幫助以便他們能夠與佩戴者協同工作至關重要。” “通過這些在線優化算法，系統可以了解如何在大約20分鐘內自動實現這一目標，從而最大限度地提高佩戴者的利益。”

接下來，該團隊的目標是將優化應用于更復雜的設備，同時輔助多個關節，如髖關節和踝關節。

“在本文中，我們通過優化髖部伸展來證明代謝成本的大幅降低，”丁說。“這表明你可以用偉大的大腦和偉大的硬件做些什么。”