《Biomimetics》:Hearing It Right, Doing It Safely: A Reflex-Inspired Safety Gatekeeper for Voice-Controlled Exoskeleton Arm Manipulation
编辑推荐:
针对拟人机械臂的语音接口通常在没有正式安全层的情况下进行评估,或将安全作为信任转录文本的事后过滤器,导致转录损坏问题未被解决。本文提出了DAS3 Neuro-Voice Controller,一种用于肌肉骨骼手臂模型的语音驱动流水线,在此作为上肢外骨骼和假肢控
针对拟人机械臂的语音接口通常在没有正式安全层的情况下进行评估,或将安全作为信任转录文本的事后过滤器,导致转录损坏问题未被解决。本文提出了DAS3 Neuro-Voice Controller,一种用于肌肉骨骼手臂模型的语音驱动流水线,在此作为上肢外骨骼和假肢控制的运动学替代进行评估,其构建基于三项承诺:通过一个有界九命令词汇表上的44M参数DistilBERT分类器进行设备端意图分类;一个确定性的三层门卫(Gatekeeper),强制执行语义验证、运动学可行性和硬安全约束,且独立于分类器置信度;以及一个上游的语音拦截器(Phonetic Interceptor),用于净化自动语音识别(ASR)对解剖学和安全术语的特征性破坏(“four arm”→“forearm”)。研究人员在一个类别平衡的3591个表达语料库上训练,并在十四名非母语英语使用者上评估,该分类器在1847个可被oracle解析的语音上达到99.95%的top-1准确率;门卫将优先级覆盖失败(Priority Override Failure)降至0.0%,100%拒绝域外语语音,并将误拒率保持在2.02%。与关键词检测基线相比,该流水线实现了17.4倍的端到端成功改进;声学前端仍是主要弱点。上游输入修复和下游确定性门控正在成为辅助系统安全关键语音接口的一等组件。
上肢瘫痪、截肢或严重运动障碍人群依赖机械臂和外骨骼恢复独立够取与自理能力,而控制接口与机械本体同样关键。现有主流生理信号通道(肌电、脑电、惯性测量)需要校准、易受电极放置和疲劳影响,且对残余肌肉活动极少的用户不可用。近年来,大规模自动语音识别(ASR)模型和语言模型使语音成为更可信的主通道,但语音控制拟人机械臂的自由表达会引入物理安全风险:一个误解就可能生成虚假运动指令。当前存在两个未解决的技术问题:一是如何架构性地执行安全,使其不能被过度自信或对抗性分类绕过,且不依赖位于语音到致动器关键路径上的概率组件;二是当转录本身错误时如何恢复真实意图——即使最先进的ASR也会在非母语口音或噪声下退化,并系统性破坏低频临床词汇(如“forearm”→“four arm”)。受生物反射弧“快速硬接线电路先于皮层处理”的启发,研究人员提出了将快速确定性安全通路与较慢解释性分类通路分离的架构,这正是开展此项研究的原因。
研究人员设计了DAS3 Neuro-Voice Controller,一种用于肌肉骨骼手臂模型的语音驱动流水线,作为上肢外骨骼和假肢控制的运动学替代,并围绕三项承诺展开:设备端意图分类、确定性三层门卫、上游语音拦截器。在类别平衡的3591个表达语料上训练,并在14名非母语英语使用者中评估后,分类器达到99.95%的top-1准确率,门卫将优先级覆盖失败降至0.0%,拒绝100%域外语,误拒2.02%,相对关键词基线端到端成功率提升17.4倍。其意义在于首次将上游输入修复和下游确定性门控作为互补的一等组件联合评估,为安全关键语音接口提供了可验证、硬件无关的实现模板。
主要技术方法(不超过250字):研究在OpenSim DAS3肌肉骨骼模型环境中实现语音到运动命令流水线。样本队列为14名非母语英语使用者(罗马尼亚语为第一语言,年龄18–50岁,3名女性、11名男性),所有命令以英语发出。ASR前端采用Distil-Whisper(distil-small.en),随后由语音拦截器修复特征性误转;意图分类使用44M参数的DistilBERT序列分类器,在自定义872词元词汇上映射9个命令;确定性三层门卫执行语义验证、运动学可行性和安全约束。训练语料通过人工与LLM辅助扩展生成,经人工审核后类别平衡至每类399句(共3591句),训练集经Signal-Booster增强(STOP×15、REST×8、运动命令×2)。评估使用词汇oracle代理地面真值,将分类正确性与ASR正确性分离。
研究结果如下:
5.1 参与者概况与语言覆盖:队列由14名非母语英语使用者组成,全部以罗马尼亚语为第一语言,年龄18–50岁,命令均以英语发出,构成ASR前端变异的主要来源。
5.2 方法:词汇oracle代理地面真值:由于日志缺少独立真实标签,研究人员构建规则性词汇oracle,从转录文本中依据解剖部位和方向关键词推断意图;STOP/REST因走门卫关键词通道而被排除在分类分析之外。
5.3 ASR性能:通过首次通过识别率(FPRR)评估,队列平均76.73%(SD=10.76%),与门卫拦截率强负相关(r=?0.998,p<0.0001),表明ASR首轮保真是下游行为的主要决定因素。
5.4 意图分类——混淆矩阵和F1分数:在1968次到达分类器的决策中,1847次可被oracle解析为明确的七类运动意图;7×7混淆矩阵仅