El Fin Del Conocimiento - Bóveda 6/52 - CVPR - 2020 - Aprendizaje Humano y de Máquinas para Autonomía Asistencial

graph LR classDef main fill:#f9d4f9, font-weight:bold, font-size:14px classDef basics fill:#f9d4d4, font-weight:bold, font-size:14px classDef shared fill:#d4f9d4, font-weight:bold, font-size:14px classDef custom fill:#d4d4f9, font-weight:bold, font-size:14px classDef safety fill:#f9f9d4, font-weight:bold, font-size:14px classDef future fill:#d4f9f9, font-weight:bold, font-size:14px Main["Aprendizaje Humano y de Máquina
para la Autonomía
Asistencial"] --> A["Rehabilitación y
Dispositivos Asistenciales"] Main --> B["Conceptos de Control
Compartido"] Main --> C["Personalización y
Preferencias del Usuario"] Main --> D["Seguridad y
Autonomía"] Main --> E["Direcciones Futuras"] A --> A1["Máquinas de rehabilitación
restauran funciones, capturando
señales de control 1"] A --> A2["Amputaciones más altas:
menos músculos, más
control complejo 2"] A --> A3["Sillas de ruedas eléctricas:
varias interfaces de control 3"] A --> A4["Navegación de puertas
desafiante con interfaces
limitadas 4"] A --> A5["Brazos robóticos
requieren control 6D,
usando modos 5"] A --> A6["Interfaces limitadas
dificultan la operación
de brazos robóticos 6"] B --> B1["IA asiste,
personalizando nivel de autonomía
crítico 7"] B --> B2["Control compartido
mezcla control humano y
de máquina 8"] B --> B3["Métricas de tareas
similares, preferencias de usuario
varían 9"] B --> B4["Teleoperación: comandos a nivel de tarea
difieren de señales
de control 20"] B --> B5["Modelo gráfico
representa transiciones de comandos
sip-and-puff 21"] B --> B6["Filtrado de comandos
no intencionados mejora
éxito en tareas 22"] C --> C1["Preferencias cambian
con la interfaz, personalización
necesaria 10"] C --> C2["Usuarios personalizaron
verbalmente la función de mezcla
control-autonomía 11"] C --> C3["Control personalizado
permitió operación 6D
suave 12"] C --> C4["Personalización eliminó
diferencias de rendimiento entre
grupos 13"] C --> C5["Usuarios consideran
factores más allá de métricas
estándar 14"] C --> C6["Adaptación de autonomía:
retroalimentación, filtrado, confianza,
temporalidad 15"] D --> D1["Control compartido
consciente de seguridad rechaza
comandos inseguros 23"] D --> D2["Control compartido
aprende modelos de sistema
humano-robot 24"] D --> D3["Control consciente de seguridad
mejora calidad de demostración,
permite finalización 25"] D --> D4["Controlador aprendido
de control compartido
reproduce tarea 26"] D --> D5["Interfaz cuerpo-máquina
mapea movimientos a
señales de control 27"] D --> D6["Compromiso gradual
de autonomía busca
impulsar aprendizaje 28"] E --> E1["Impedimentos motores
complican demostraciones de robots,
se necesitan estudios 16"] E --> E2["Tareas base:
curso de silla de ruedas, evaluaciones,
pruebas VR 17"] E --> E3["Éxito de comandos
difería entre grupos,
no tiempo 18"] E --> E4["Uso diario
afectó tiempo de respuesta,
no éxito 19"] E --> E5["Piloto determina
tasas de co-adaptación humano-autonomía 29"] E --> E6["Factores clave:
retroalimentación, filtrado, confianza,
temporalidad/co-adaptación 30"] class Main main class A,A1,A2,A3,A4,A5,A6 basics class B,B1,B2,B3,B4,B5,B6 shared class C,C1,C2,C3,C4,C5,C6 custom class D,D1,D2,D3,D4,D5,D6 safety class E,E1,E2,E3,E4,E5,E6 future

Resumen:

1.- La rehabilitación utiliza máquinas para restaurar funciones perdidas y ayudar con las brechas por lesiones/enfermedades. Capturar señales de control es un desafío clave.

2.- Los niveles de amputación más altos tienen menos músculos residuales para el control EMG de brazos protésicos, pero requieren controlar movimientos más complejos.

3.- Las sillas de ruedas eléctricas son máquinas asistenciales comúnmente usadas. Las interfaces de control varían desde joysticks proporcionales hasta interruptores no proporcionales como sip-and-puff.

4.- Navegar una silla de ruedas a través de una puerta es desafiante incluso para expertos, especialmente con interfaces limitadas como un arreglo de cabeza.

5.- Los brazos robóticos requieren control de 6 dimensiones de posición y orientación. Las interfaces no pueden proporcionar esto simultáneamente, por lo que se usan modos de control.

6.- Las personas con las interfaces más limitadas, que se beneficiarían más de los brazos robóticos, tienen más dificultades para operarlos.

7.- Agregar sensores e IA para convertir máquinas asistenciales en robots asistenciales puede ayudar, pero personalizar el nivel de autonomía es crítico.

8.- Los paradigmas de control compartido mezclan el control humano y de máquina de varias maneras. Los estudios comparan la autonomía con el control compartido y la teleoperación.

9.- Al comparar paradigmas de control compartido, las métricas de tareas no varían mucho, pero las preferencias de los usuarios sí. Proporcionar opciones es importante.

10.- Las preferencias cambian cuando cambia la interfaz de control, incluso con la misma autonomía. Se necesita personalización para el individuo.

11.- Un estudio exploratorio permitió a los usuarios personalizar verbalmente una función lineal por tramos que mezcla su control con la autonomía del brazo robótico.

12.- El control compartido personalizado eliminó los cambios de modo y permitió un control 6D suave en comparación con la teleoperación no asistida para el usuario.

13.- El paradigma personalizado eliminó las diferencias de rendimiento entre participantes con lesiones de médula espinal y participantes no lesionados vistos con otros paradigmas.

14.- Las personalizaciones de los usuarios consideraron factores además de las métricas estándar del robot, como minimizar el tiempo y el esfuerzo. Los usuarios tienen conocimientos útiles para capturar.

15.- Los desafíos en la adaptación de la autonomía a los usuarios incluyen: tipo de señal de retroalimentación, filtrado de información por discapacidad/interfaz, confianza en el humano y temporalidad.

16.- Proporcionar demostraciones a robots es difícil para personas con discapacidades motoras. Los estudios de teleoperación a gran escala buscan caracterizar el uso.

17.- El curso de obstáculos de silla de ruedas, la evaluación clínica y las tareas de seguimiento de comandos y trayectoria en VR se utilizaron como puntos de referencia.

18.- El éxito en el seguimiento de comandos difería entre grupos de sujetos, pero no el tiempo de respuesta. La interfaz afectó el tiempo de respuesta, pero no el éxito.

19.- El uso diario de la interfaz (experiencia) afectó el tiempo de respuesta, pero no el éxito en usuarios con lesiones de médula espinal, por lo que se espera adaptación con el tiempo.

20.- La teleoperación implica comandos humanos a nivel de tarea que no siempre coinciden con las señales de control reales emitidas debido a la capa de interfaz.

21.- Un modelo gráfico representa transiciones entre comandos sip-and-puff intencionados y medidos para un robot. Los datos informan las distribuciones de entrada intencionadas.

22.- Filtrar o corregir comandos no intencionados inferidos basados en el modelo permite el éxito en tareas y reduce los cambios de modo en un piloto.

23.- El control compartido consciente de la seguridad, independiente de la tarea, analiza la seguridad del sistema y rechaza o anula comandos humanos inseguros mientras mantiene el control humano.

24.- El control compartido aprende modelos del sistema conjunto humano-robot para informar sus intervenciones autónomas cuando se necesita seguridad.

25.- El control compartido consciente de la seguridad permite la finalización de tareas y mejora la calidad de las demostraciones para el aprendizaje en comparación con el control humano no asistido.

26.- Un controlador autónomo aprendido a partir de demostraciones de control compartido puede reproducir la tarea, abordando el cambio de covarianza, a diferencia del aprendizaje a partir de demostraciones no asistidas.

27.- Una interfaz cuerpo-máquina mapea movimientos corporales residuales de alta dimensión a señales de control de baja dimensión, tradicionalmente con PCA, para varias aplicaciones.

28.- Comprometerse gradualmente y desvanecer la autonomía del robot busca impulsar el aprendizaje motor humano para lograr un control de alta DoF con movimientos corporales limitados.

29.- Un piloto determinará las tasas de co-adaptación entre el humano y la autonomía para parametrizar un estudio completo de 20 participantes y 20 sesiones.

30.- Los factores clave para diseñar una autonomía compartida asistencial adecuadamente adaptativa son la retroalimentación, el filtrado de información, la confianza, la adaptación temporal y la co-adaptación.

Bóveda de Conocimiento construida porDavid Vivancos 2024