Mano robótica biomimética avanzada con aprendizaje y reconocimiento de por vida por EMG

Área de la Ciencia:

• Robótica
• Diseño de Robots Humanoides
• Ingeniería Biomédica

Sus antecedentes:

• El diseño de manos robóticas para robots humanoides, especialmente las del tamaño de un niño pequeño, presenta desafíos significativos.
• El control efectivo de las manos robóticas utilizando señales biológicas requiere técnicas sofisticadas de optimización y aprendizaje.

Objetivo del estudio:

• Optimizar el diseño de una mano robótica antropomórfica para un robot humanoide del tamaño de un niño pequeño.
• Desarrollar un sistema de control para la mano robótica utilizando señales electromiográficas de superficie (sEMG).

Principales métodos:

• Empleo de la optimización por enjambre de partículas hacia atrás con Isolation Forest para refinar el diseño de la mano robótica, centrándose en la oponencia del pulgar y la capacidad de agarre.
• Utilización de Aprendizaje sin Olvido (LWF) para el entrenamiento secuencial de datos sEMG para crear un modelo de conjunto para el control de la mano robótica.
• Simulación de escenarios de agarre en Webots para validar y optimizar el diseño de la mano robótica.

Principales resultados:

• La mano robótica optimizada demostró un rendimiento superior, logrando los valores de aptitud más altos tanto en simulación como en pruebas del mundo real en comparación con los diseños existentes.
• La comparación de las técnicas de procesamiento de datos sEMG (transformadas discretas de onda de paso de banda, paso de banda, crudas) dentro del marco LWF identificó la entrada óptima para las estructuras de redes neuronales.
• Manipulación exitosa en tiempo real de la mano robótica a través de la clasificación de gestos de la mano utilizando el modelo LWF final en un sistema práctico.

Conclusiones:

• El estudio optimizó con éxito el diseño de una mano robótica antropomórfica y desarrolló un sistema de control eficaz basado en sEMG.
• La integración de algoritmos avanzados de optimización y técnicas de aprendizaje secuencial proporciona una solución robusta para el control de manos robóticas en robots humanoides.
• El sistema desarrollado muestra potencial para aplicaciones del mundo real que requieren manipulación intuitiva y precisa de manos robóticas a través de señales biológicas.