Alcuni ricercatori della Carnegie Mellon University hanno applicato le tecnologie del machine learning a un problema su cui di solito si interviene manualmente: ottimizzare il funzionamento di un esoscheletro meccanico progettato per facilitare il movimento.
Per quanto semplice, infatti, un esoscheletro può essere configurato in molti modi, variando alcuni parametri legati a come e quando applicare la sua energia per ridurre lo sforzo di chi lo indossa.
La questione di fondo è che un esoscheletro supporta il suo utilizzatore aggiungendo la sua energia meccanica alla forza muscolare durante il movimento, nessuno però compie gli stessi movimenti davvero nello stesso modo. Una configurazione generica dell’esoscheletro quindi aiuta certamente, ma una ottimizzata potrebbe farlo con maggiore efficacia.
Di solito si ottimizza il comportamento di un esoscheletro variando i suoi parametri manualmente, per tentativi. I ricercatori hanno invece voluto elaborare un modello del comportamento dell’esoscheletro facendolo esaminare da algoritmi di machine learning mentre veniva utilizzato da alcuni volontari. Il sistema variava in tempo reale le caratteristiche di funzionamento dell’esoscheletro e valutava lo sforzo dei soggetti del test.
In circa un’ora di test l’algoritmo genetico di machine learning ha raggiunto la sua configurazione ottimale, imparando il comportamento dell’esoscheletro e identificando la sua configurazione che portava la camminata a richiedere il minor sforzo possibile.
I test hanno indicato che le configurazioni scelte dall’algoritmo portavano a un risparmio di energia tra il 14 e il 40 percento circa rispetto alla camminata senza esoscheletro, pur indossando quest’ultimo su una gamba sola.
Il risultato forse più interessante del progetto di ricerca è che l’algoritmo addestrato per una semplice camminata è stato usato come base per arrivare rapidamente a configurazioni diverse dell’esoscheletro, ottimizzate per altri compiti come correre, camminare in salita o trasportare carichi pesanti.
