哈佛大學約翰·A·保爾森工程與應用科學學院（Harvard John A. Paulson School of Engineering and Applied and Sciences，SEAS)和威斯研究所（Wyss Institute for Biologically Inspired Engineering）的研究人員開發出來一種有效的機器學習算法能夠快速設計定制化控制方案來制造柔性可穿的動力服。

提到柔性輔助可穿戴設備，比如像哈佛大學生物設計實驗室（Havard Biodesign Lab）設計的動力服，人們不免想到人和機器“合為一體”了。但是每個人走路的方式都略有不同，為每個需要穿著動力服的人設計機器參數是一件費時又低效的事情。

但現在，哈佛大學約翰·A·保爾森工程與應用科學學院和威斯研究所的研究人員開發出了一種高效的機器學習算法，可以快速設計定制化控制方案來制造柔性可穿的動力服。

“這種新的方式高效快速地優化了輔助可穿戴設備的控制參數設置，“在SEAS攻讀博士后的Ye Ding介紹到，他是該項研究的共同第一作者，”這種方式能夠優化穿著髖部延展輔助設備的用戶的代謝性能。“

當人們走路的時候，會不斷微調自己的身體來節約能量（即代謝消耗）。

”之前，如果說有三個人使用輔助可穿戴設備，那么你需要設計三套不同的輔助方案，“在SEAS攻讀博士后的Myunghee Kim解釋道，他也是該項研究的共同第一作者，“在過去，為每個使用者找到合適的控制參數是一件很困難的事情，必須一步一步地來，因為不僅每個人的行動方式略有不同，進行人工調整參數的實驗也是一件復雜耗時的事情。”

該項研究由來自SEAS的副教授Conor Walsh和SEAS工程與計算機科學學院的助理教授Scott Kuindersma共同領導完成。他們開發的這種算法可以切斷變化并快速找到能夠盡可能減少行動消耗的最佳控制參數。

研究人員使用所謂的”人機回圈“（Human-in-the-loop）優化，通過實時測量人的生理信號，例如呼吸速率來調整設備的控制變量。算法會在尋找最優參數中不斷優化，最終指示動力服在合適的時間和地點提供協力來幫助髖部延展。該研究團隊使用的貝葉斯優化方法去年已經發表在《公共科學圖書館期刊》（PLOSone）上。

和不穿動力服的情況相比，穿上使用該算法優化的動力服能夠幫助用戶減少17.4%的代謝消耗。比起團隊之前的成果，這種動力服性能提升了60%以上。

“優化學習算法對未來用于協助運動的可穿戴機械裝置將產生很大影響，”Kuindersma說到，“這些結果表明哪怕是最簡單的控制器優化都能在用戶行走時提供重要的個性化幫助。接下來我們重要的一步就是根據這些想法來研究更多更有效的控制方案，并把這些想法應用在需求不同的用戶身上。“

”穿著可穿戴機器人就像穿著柔性動力服，最關鍵的是要在合適的時候為用戶提供合適的協力，讓可穿戴機器人和用戶協調一致，“Walsh說到，”有了這些在線優化算法，系統可以學習如何在二十分鐘內自動達成這一目標，并給用戶提供最大的幫助。“

接下來，該團隊決定將這一優化算法應用在一個更為復雜的設備上，這個設備能同時為不同關節，比如髖部和踝部，提供協力。

”這篇論文里表明僅僅一個髖關節延展優化就能大量減少代謝消耗，“Ding說，”這篇論文會告訴你一個厲害的大腦配上一個厲害的硬件設備究竟能做成什么事情。“

該項研究由國防高級研究計劃局（the Defense Advanced Research Projects Agency）下屬Warrior Web Program項目，威斯研究所和哈佛大學約翰·A·保爾森工程與應用科學學院合作進行。

本文轉自36氪，原文鏈接：http://36kr.com/p/5122940.html