一款来自佐治亚理工大学的儿童康复机器人

ICRA 全称为“IEEE International Conference on Robotics and Automation”（机器人与自动化会议），是机器人技术领域最有影响力的国际学术会议之一。ICRA 2017于5月29日至6月3日举行，雷锋网AI科技评论从新加坡带来一线报道。

Ayanna Howard是佐治亚理工大学电气与计算机学院的机器人学教授。Ayanna Howard教授主要研究的方向是将人类化的智能、人类的认知过程和能力集成到自动机器人系统中。2003年，她当选MIT评选的“35岁以下创新者top100”，并在2004年登上了《时代》杂志进行了名为“机器的崛起”的专题访谈。她分别在2002、2003、2004年获得NASA颁发的机器人安全导航任务荣誉奖、路径规划图形用户界面空间成就奖、空间应用模糊逻辑引擎空间成就奖，还在2005年获得IEEE颁发的机器人与自动化青年成就奖。

此次演讲中，Ayanna Howard教授介绍了她在智能康复机器人方面的研究成果。雷锋网(公众号：雷锋网) AI 评论原文翻译整理。

Ayanna Howard教授：

我给大家介绍一下我的研究。残疾在女性看来是一种不幸。所以当我们听到类似残疾的事情的时候，传统上会认为是受某种伤害，脑性麻痹、车祸、或者中风等等。

但是其实，残疾本来只是指正常的功能有所变化，关键词是“正常”。如果你现在30岁，职业打网友，但是过了一阵子以后，你的身体出问题了，手肘、膝盖、脚踝需要人工骨骼来修复，那你也就残疾啦。

残疾康复市场很大，而且能帮到你自己

所以说起残疾的话，如果你活到很高的岁数，你也会有残疾。实际上有统计数据，对于一个预期寿命70岁以上的国家，每个人一生中平均有8年是残疾的。所以当你考虑为残疾人服务的技术和机器人的时候，其实这些技术也就是开发给你自己的。从这个角度说，我们需要自私一点，因为自己的未来就是这样的。

我们来看看自闭症儿童的统计数据，我研究的就是这个方面，现在全世界有超过一亿五千万的小孩有这种残疾，而我们觉得这个数据还没有反应全部的情况，因为有些国家没有给出它们的数据来。根据我这里的数据，美国儿童的理疗康复行业产值全部算起来有16亿美元，这还没有包含医疗和卫生保健，不是全部的数据。那么机器人就有潜力在这其中产生影响。

我选择研究这个领域，选择研究残疾的小孩，选择研究有脑性麻痹的小孩。实际上，美国每323个小孩里就有一个。你考虑一下统计学上的意义的话，这代表着我们这间会议厅里就可能至少有10个人有脑性麻痹；如果说自闭症的话，美国的数据是每68个小孩里就有一个，就是说如果这里坐的都是小孩的话，每一排里就会有一两个小孩有自闭症。

所以这个数字很大，我们有很多事情可以做。这些康复治疗可以起到的作用，其实是引导小孩达到发育中的那些关键点。这样当他们长大成人了、坐在这里做听众的时候，他们也作为公民真的有能力、有技能水平，可以养活自己、可以交税，等等。所以理疗康复真正的目标就是通过康复过程引导小孩成长。

给儿童设计物理康复机器人系统

一个典型的小儿诊所就像玩具屋一样，因为小孩就是小孩，即便大脑有残疾，但是小孩就是会做小孩该做的事情，喜欢快乐，想要玩、想要被夸奖、想要探索。所以小孩是很喜欢去小儿诊所的，这里有玩具、有各种能跟他们互动的东西。这也就是我们想要做的事情，我们设计机器人，同时思考这个问题：如何在小孩家里像人类治疗师在的时候一样地创造出一个小孩熟悉的、舒适的情境。

这其中有几个挑战，他们要接触的机器人都是小事，你不需要告诉小孩或者你的客户说，“机器人会很好的工作的，它们很好玩”，不我们不需要考虑这个。小孩天生地就对机器人感兴趣，即便是大脑有问题的小孩，机器人就是对小孩有这样神奇的吸引力，我们不需要在这方面强行做什么东西。所以想卖机器人很简单，它们并不是卖给小孩的父母和治疗师的。所以卖机器人不是困难，真正的困难是来自于这些小孩自己的。

如果一个小孩有运动异常症状的话，很多事情都会变得不一样。当我刚接触这个方向的时候，我先去了医院，在密封房间观察了一些诊断为脑性麻痹的小孩。我说我知道，这是一种运动失常，意思是小孩的运动机能很低下。然后等到小孩进来，他看起来一点也不瘦，挺正常的，我说我没搞懂。他们说要找更核心的特征。所以等到我看懂了，小孩的动作确实不太自然。我就以为我知道运动异常是什么样了。

然后另一个儿童进来了，坐着轮椅，运动和抓拿东西的时候非常不情愿的样子。但是他跟前面的小孩一样都是脑性麻痹。所以当我们看这件事的时候，只是按照一种标签来设计一个机器人系统，我其实得考虑如何为每一个不同的小孩开发能够适应他们特点的技术。但是我那时候没有这样一张表写着不同小孩的特点，我只有一个他们的分类是“脑性麻痹”。

另一件事是，小孩不是很擅长保持注意力。所以幼儿园和康复医生创造了这种让人兴奋的环境，是因为小孩基于他们学习的方式，让他们做上下文理解的效果更好，就是他们想要弄懂身边的环境是怎么回事，我本来看着一个东西，然后有人提醒了我一下，我就去看另一个东西。这种设计的理念就可以让小孩的大脑自己进行学习。

所以台下的各位听讲、做记录，是后天学会的技能，小孩的天性不是这样的。所以我要考虑如何设计一个系统能知道小孩的状态，什么时候该引导小孩、什么时候让小孩自己发挥。我得想办法了解这些。因为一个人类治疗师非常擅于做这些，他们知道应该什么时候换一个游戏，他们对整个状况有很好的理解。那我们设计的机器人系统也要能做到才行。

这就是一个不小的挑战。我们要怎么样做一个小孩适应的氛围，里面要有治疗工具，而且还要把它布置在家庭环境中。我们想到的办法是，把小孩和治疗师之间的互动带到家庭环境中需要给它建一个模型。我们要观察他们的互动、观察引导过程，要弄懂所有需要的东西。

所以当我们坐下来观察的时候并不会觉得很容易，我们要把这些知识灌输到电脑的大脑里去。为了尝试解决这个问题，为了处理小孩的运动中许许多多的变化、他们的注意力中的许许多多的可能性，我们提出了这样一个运动总体分类系统。首先它能对治疗进行描述，我们要如何把那些玩具、治疗工具和整个治疗环境搬到任意一个家庭环境中去。那么现在的小孩已经接触到了VR、XBox等等电子化的游戏，我们就决定让这个互动环境是就可以是小孩跟游戏的互动，不管是平面电脑式的游戏还是VR游戏。如果一个小孩，比如我的小孩运动机能有问题，我可能没办法让他握着Xbox的手柄玩，但是他可以用手指去点，或者跺跺脚。

我们有没有可能把他们的任何运动都变成跟游戏互动的一部分呢。那我们现在已经有了技术可以做到这个，下面就需要机器人来提供一些引导，就让人类的治疗师会告诉你这么做对不对，或者怎么样做得更好一点。然后小孩跟机器人交流以后，机器人就知道要不要换一个游戏等等。所以我们想做的就是，不管小孩自己的能力是什么，我们的系统都可以适应小孩的需求。

那么，首先可以用VR游戏，我们有一个VR游戏叫超级泡泡。超级泡泡基本就是小孩在这样一个虚拟世界中，然后会不停地冒泡泡，小孩就来碰破这个泡泡。如果这个小孩的动作幅度比较大，系统能检测到这个状况，然后把泡泡放在需要够一下才能碰到的距离；如果小孩的动作幅度小，系统检测到以后就会把泡泡放在他们不用大动作就能碰到的地方。这样就达到了系统可以适配各种状况小孩的目的。

我们还做了平板电脑上的游戏。这些平板电脑游戏的参与互动性很强，如果一个小孩的运动能力很有限，那他们只需要很小幅度的动作就可以和游戏互动。这其中我们就可以用轮流玩、模仿或者小幅度动作的玩法，让他们在各种这样的游戏里锻炼了运动控制能力。我们有这样全套的系统。

当我们来到小孩家里的时候，我们一般都会带一组东西去，见到小孩后我们就让他试试。因为对治疗师来说有一个常识，就是没有什么方法能够对所有的小孩都起效，需要有一组工具、一组方法，根据小孩的需求选取和组合。

给儿童设计评价指标、取正常值

然后下一个问题就是，治疗师需要知道治疗是不是起作用了。所以并不是只有游戏化和治疗过程就好了，需要关注的重点是，如果带小孩做了一件事、按照惯例做了，小孩自己的症状有没有得到改善？这样我们就有一系列的物理指标要关注。如果他们能模仿了，那很好，他们还能做更多的话，就更好。所以我们就构建出了所有这些我们有必要提供的特征，对于一个工程师还是挺简单的，对于一个小孩，我们把系统打开，小孩出现在镜头里，我们就可以分析运动距离、速度模式，这就能做出来了。

所以我们做的第一件事就是做了一个系统，有可以适应大多数人的一个固定摄像头和一组音箱，然后我们测量了这些基本的客观指标，比如运动范围、偏离理想路径的多少，然后用系统把不同小孩的数据进行跟踪对比，计算一个准确度出来。

这个效果非常好！可以出很棒的论文。就像这样，通过我们这个系统，你只要跟着动一动，我们就可以用低成本的传感器对这些指标做出很高精度的测量。然后我们把这么棒的结果拿给治疗师看，但他们说，我有了这个结果也什么都做不了啊。这样单独的结果他们没法用，他们关键还需要一个基准线。

所以回想一下当你小的时候去看医生，或者你带着你的小孩去看医生的时候，医生给你测了身高体重以后，拿出一张表来指给你“你家小孩的身高体重在这儿”。临床医生要做的也是这样的事情，他们喜欢而且确实需要一个基准线，他们知道小孩的数据以后，还需要知道小孩的数据离正常水平差了多远；“我不是真的在乎小孩胳膊伸出去以后角度是不是45度，但是我想知道这个值和正常差多远”。标准值就是来自于正常的小孩的。

那我们就说，行啊，我们已经有了测这些指标的方法了，那我们要怎么取正常值呢。我们已经知道它不会剧烈改变了，那我们能不能设计一个机器人系统，里面有一个运动模型，它能带着小孩运动，做出动作让小孩模仿，就得到了运动特征，那我们就有一个理想的可以验证是不是正常值的方案了。那这就是我们的正常值了，我们就都准备好了。当我们做这方面的测量的时候，测量对象一般都是成年人，然后我们去测正常的青少年，再去测正常的小孩和有残疾的小孩。对于成年人，一下子就做好了，我们拿来这个系统，大家都是成年人，我们拿来泡泡游戏，成年人来玩，机器人带着他们玩，然后对比一下结果，我们就拿到了不错的结果，在我们关心的几个指标上都是统计显著的，只有一个不明显。对这个结果我们还挺满意的。

那么我们就拿正常的小孩试试吧，不过你猜怎么着，小孩就没这么听话了。成年人很守规矩，如果你跟他们讲我需要一个做示范的，示范的时候要基于一个90度角，成年人做这个基本没问题，青少年也没问题。但是正常的小孩，他们就不会听你的，他们会自己怎么舒服怎么来。这时候我们没办法跟他们说“不对，你做错了”，因为这就是他们的正常举止。所以我们遇到了这样小孩，在玩需要动手的游戏的时候，摄像头会追踪他的手，那这样的动作就有点犯规了，系统里分析出的信息就是这样的。

随着我们的研发越来越深入，不规范的数据越来越多，我们要想办法建立一个系统来自动处理。我们也确实这样做了，还很惊讶地发现，根据这个模型，来自于正常小孩的标准值也很不错。我们用这样的方法，把小孩建模成机器人，用到小孩的胳膊长度、姿态、运动模式，我们就有了一个更大的数据库可以用来做比较，效果也很好。

验证正常值，看看机器人的作用

那么接下来呢？就是想办法去用了，看看能不能在系统里发挥出数据的作用。我们就做了一次尝试，找了一群小孩，用他们建立起一个标准值；然后找了一群有脑性麻痹的小孩，看看经过我们8周的治疗课程以后能不能提高他们的表现。

在一开始的时候我们就看到了正常值里面有一些偏差，我们画了这样一张表，把几个小孩的数据填进去，发现有一个是偏移正常值的。然后我们四周后又来了一趟，能够确定这些参数就是不一样，然后我们继续往后做，还是一样。我们就有三个小孩和正常值做对比。

然后我们就可以用我们的系统记录分析他们玩VR游戏时候的表现，我们不仅能测量出他们的运动指标、和正常值数据库对比，而且还能进行提高。这些数据是有脑性麻痹但不严重的小孩的，不过这已经能说明我们的这种技术可以起到作用。

其中有一件事，就是一个游戏玩8周，其实是挺长一段时间了，孩子们跟我们讲了。当我们做完了实验，后来做回访的时候，我们问他们，你们觉得喜欢不，他们说，还行吧，主要是妈妈让我们做的，其实有点无聊。

所以在这种时候，机器人也加入进来就太妙了。机器人可以给孩子们很多激励、给孩子们做教练，可以让孩子们在更长的时间里对游戏保持很高的参与度。这种时候机器人起到的作用更多是模仿人类治疗师在类似状况下会做的事情。机器人会观察小孩，对游戏中采集的数据做出反馈，不管是VR游戏还是恢复性游戏，然后像人类治疗师那样给小孩提供对应的输入，比如对于“你可以怎么样做得更对一点”，你怎么让小孩知道他做的不对，但是你又不能说他做错了呢；然后治疗师又要怎么告诉小孩他做的很好，让他一直保持这样做呢。这些都是人类能做得很好的部分，然后我们要想办法把它们做进机器人平台里面去。

说到反馈，很多时候都有点弄混了。做研究的时候，我们觉得我们知道语言模型应该是什么样的，然后把它编程给机器人，就让它去运行。但是孩子们很特别，每个小孩之前都会有一些不同。对成年人可以很详细具体地告诉他哪里做的不对，比如玩游戏的时候告诉他把胳膊伸直了再抬高、告诉他按某个固定的速度走路、到哪个指定的地方去，很听话很让人放心。但是对于小孩，他们需要简单一点，他们需要一步步来，他们需要别人等等他们。所以人类治疗师跟小孩互动的时候会准备好一系列的指令，给小孩很多的机会，然后每次只给小孩说一件事，等小孩完成了再说下一件，再下一件。就像这样，临床医生很明白如何一步一步地引导小孩最终把事情做完。

我们也把这个功能做到了机器人里，现在我直接给大家展示一下最终我们做到的成果，就不讲推导过程了。我们来看运动时间吧，让小孩动的快一点或者慢一点，然后我们尝试不同的运动范围，然后再试别的。我们把这些所用的时间加在一起，尝试帮小孩改善这个时间。当然了你要能测这个时间，所以我们设计了不同的互动，不仅是情感的引导，更要理解。假如我是那个机器人，我要引导小孩，然后我看到他好像不开心。那他为什么不开心呢，背后的原因不重要，我只需要知道当前他在做的事情和他当前的状态不太相符，那我就要换件事情让他做；假如我看到他现在很开心、参与度很高，那我就一直做我现在正在做的事情。所以我不仅要能够发现小孩相对性的情绪变化，我还要追踪到小孩现在的状态，开心不开心、参与度高不高，甚至生气。对所有的这些，机器人都要能做出对应的反应。

所以我们花了很多精力研究典型的小孩，想要弄清什么样的途径和做法才能根据小孩的状态适应他的行为。跟研究这个领域的其它人一样，我们也想到了一个算法，然后我们就想看看机器人是不是真的能引导小孩按照我们想要的流程做事情，我们就需要一个运动时间的案例分析。

如果我们想要小孩按照一种特定的方式去运动，我们可以用很简单的语言“快一点”、“慢一点”，然后用小孩对这些指令的理解程度和他们的情感来计算参与性。我们设计了不同的阶段，我们让他们玩，看看他们想要什么，然后让机器人动起来作为小孩的指引，最后看机器人撤走以后小孩还能不能保持。因为机器人没法跟他们一起去上学，所以机器人带给小孩的进步，我们希望这些进步能够保持下来。

那这就是我们设计的发展流程的最终的样子。我们做了测试，而且也需要和正常值对比，所以我们也同时找了典型的小孩和脑性麻痹的小孩。这个领域还有一个惯例的做法是，你挑的参与者的年龄要差不多，因为12岁的小孩就会跟6岁或者7岁的小孩表现得不一样。所以这也是我们这个领域里研究的时候遇到的一个麻烦，我们不能说“打开门，让更多小孩进来吧”这样的，为了能够取得正常值的数据集，我们需要小孩的性别、年龄都一样才行，这样才能比较好地体现出我们所做的事情的价值。

我们做的结果是，看典型小孩的成果这边（左边），有机器人的时候到了这个正常值，正常值的红线是按运动模式的一个百分比计算的。然后把机器人撤走，看看小孩能不能保持这个表现。对于一个典型的小孩，机器人跟他指导、互动、理解以后再撤走，小孩可以保持同等的表现。对于有脑性麻痹的小孩也有类似的结果。不过跟典型的小孩不一样，典型的小孩撤走机器人前后表现的正常值差不多，但是对于脑性麻痹的小孩，虽然比一开始的时候要好一点，但是比有机器人在的时候还是要明显差一些的。

所以事后我们问这些小孩怎么了、他们当时是什么感觉，他们说，因为其实很难，我要很努力才能跟上那个速度。但这也告诉我们，机器人能够让他们本来觉得很难、不舒服的事情变成了一种治疗，就像人类治疗师一直做的那样。我们也在继续试验，看看持续做多久才能长期保持机器人在的时候的水平。

这时候回头来看我们所做的，我们都深深地相信，不管是不是人形的机器人，只要能跟小孩互动、能理解小孩的需求、然后通过不管是游戏性的还是情境性的技术让小孩参与，就能让机器人和小孩互动。那么结果呢，在实验室之外也取得了很大的影响，这是最让我感觉开心的部分。一般都是我和我的学生做这些对象的测试，小孩是不会来我们实验室的，我们去小孩家里做测试。我们时不时地去外面，也留下了很多惊喜的瞬间。让我感觉最开心的就是，我们的这些治疗游戏已经有很多人开始采用了，我们在开发的这种可以根据任何小孩的状况定制和自动适应的系统中学到的经验，我实验室以外的很多人都开始采用，这种抓变是我最觉得骄傲的。

现在在这里我想说，这些治疗和康复领域都是很棒的，在这些领域做研究就是为了自己做研究，我们都有活到70岁的那天，今天做这些研究，未来的自己就能用到。小儿科会特殊一点，因为他们比较脆弱，对他们做的事情会对他们的未来产生很大的影响。所以做这个方面要很小心，父母和治疗师都对自己所讲的话很注意，如果你跟小孩讲你能做某件事，小孩是完全相信你的。所以你要注意不要随便给承诺。

然后还是致谢，谢谢我的学生。有几个学生就在下面的听众里，我很开心看到有更多的人会关注这些领域、在这些领域做出贡献。

谢谢大家！

本文转自雷锋网，如需转载请至雷锋网官网申请授权。

来源：雷锋网（微信号：leiphone-sz）   作者：杨晓凡