Diffusion-Based Generation of Gait Trajectories

Das Gehen ist eine Leistung komplexer Koordination, die der menschliche Körper ohne bewusste Gedanken vollzieht, doch für Menschen mit Mobilitätseinschränkungen kann dieser natürliche Rhythmus verloren gehen oder verzerrt werden. Im Bereich der Rehabilitationsrobotik arbeiten Wissenschaftler daran, tragbare Maschinen, wie etwa Exoskelette, zu entwickeln, die helfen können, diese verlorene Bewegung wiederherzustellen. Damit diese Maschinen effektiv funktionieren, benötigen sie eine Karte darüber, wie sich ein Mensch bewegen sollte. Diese Karte, bekannt als Referenztrajektorie, muss perfekt auf die Körperform des Einzelnen, seine spezifische Verletzung und seine therapeutischen Ziele zugeschnitten sein. Wenn sich die Maschine auf eine Weise bewegt, die sich unnatürlich anfühlt oder die einzigartigen physischen Grenzen des Nutzers ignoriert, kann dies unbequem oder sogar schädlich sein. Die Herausforderung besteht darin, diese Bewegungskarten „on the fly“ zu erstellen, also sie sofort an verschiedene Menschen und unterschiedliche Gehbedingungen anzupassen, anstatt sich auf starre, vorprogrammierte Vorlagen zu verlassen, die die Nuancen der menschlichen Bewegung nicht erfassen können.

Um dies zu lösen, hat ein Team von Forschern aus Spanien eine Art der künstlichen Intelligenz namens Diffusionsmodell herangezogen. Stellen Sie sich einen Prozess vor, bei dem ein Bild langsam mit statischem Rauschen bedeckt wird, bis es unerkennbar ist, und dann lernt ein Computer, diesen Prozess umzukehren, indem er das Rauschen Schritt für Schritt entfernt, um ein klares Bild zu enthüllen. In dieser Studie wandten die Forscher dieselbe Logik auf die menschliche Bewegung an. Anstatt Pixel verwendeten sie Datenpunkte, die die Winkel der Gelenke in den Beinen repräsentieren. Sie trainierten den Computer mit tausenden aufgezeichneten Gehzyklen gesunder Freiwilliger und brachten ihm so bei, die zugrunde liegenden Muster eines natürlichen Schritts zu verstehen. Das Ziel war es zu sehen, ob die KI neue, realistische Gehpfade generieren konnte, die nicht bloß Kopien der gesehenen Daten waren, sondern stattdessen an spezifische Anweisungen angepasst wurden, wie etwa das Machen eines kürzeren oder längeren Schritts.

Die Forscher testeten zwei verschiedene Ansätze unter Verwendung von Daten von 22 gesunden Erwachsenen, die in zwei unterschiedlichen Tempi gingen: ein kurzer Schritt und ein mittlerer Schritt. Der erste Ansatz war ein Basismodell, das die allgemeine Form eines Ganges lernte, aber keine Möglichkeit besaß, genau gesteuert zu werden, wie lang die Schritte sein sollten. Wie erwartet, produzierte dieses Modell zwar Gehmuster, die echt aussah, tendierte jedoch dazu, sich auf eine durchschnittliche Schrittlänge festzulegen, wodurch die spezifische Aufforderung, mit einem kürzeren oder längeren Schritt zu gehen, effektiv ignoriert wurde. Es war wie ein Musiker, der ein Lied zwar wunderschön spielen kann, aber das Tempo nicht ändern kann, wenn er dazu aufgefordert wird.

Der zweite Ansatz, den das Team als fortgeschrittene Version entwickelte, führte einen Mechanismus ein, um die Ausgabe direkt zu steuern. Indem sie der KI spezifische physikalische Parameter einspeisten, wie etwa die gewünschte Schrittlänge, lernte das Modell, das gesamte Bewegungsmuster an diese Anweisung anzupassen. In Tests generierte das steuerbare Modell erfolgreich Geh-Trajektorien, die den angeforderten Schrittlängen entsprachen. Bei den mittleren Schrittlängen waren die generierten Bewegungen hochgradig präzise und entsprachen in Bezug auf die Gelenkwinkel und die Symmetrie zwischen dem linken und rechten Bein sehr genau den realen menschlichen Daten. Das Modell erzeugte eine Schrittlänge von etwa 68,6 Zentimetern, was gut mit dem Zielwert übereinstimmte.

Dennoch waren die Ergebnisse nicht für jede Bedingung perfekt. Als die Forscher das Modell baten, sehr kurze Schritte zu generieren, sank die Genauigkeit. Die KI produzierte Schritte, die zwar kürzer als das Ziel waren, aber die Bewegungen waren weniger präzise und zeigten eine größere Variation von Person zu Person. Die Forscher fanden heraus, dass dies daran lag, dass kurze Schritte natürlicherweise über verschiedene Menschen hinweg inkonsistenter sind; manche Menschen schlurfen, während andere kleine, schnelle Schritte machen. Da die Daten für kurze Schritte so variabel waren, hatte die KI Schwierigkeiten, einem einzigen, klaren Muster zu folgen, und neigte dazu, zu einem Mittelwert zurückzukehren. Dies führte zu einer leichten Unterschätzung dessen, wie stark sich die Gelenke bewegen sollten, insbesondere im Knie und in der Hüfte. Trotz dieser Einschränkung zeigte die Studie, dass das fortgeschrittene Modell die beiden Arten des Gehens klar voneinander trennen konnte, während das einfachere Modell nicht einmal dazwischen unterscheiden konnte.

Die Ergebnisse legen nahe, dass die Aufgabe signifikant schwieriger wird, wenn die angeforderte Bewegung weniger verbreitet oder variabler zwischen den Individuen ist, obwohl die künstliche Intelligenz nun in der Lage ist, hochrealistische und anpassbare Gehpfade zu generieren. Die Forscher kamen zu dem Schluss, dass ihre neue Methode vielversprechend ist, um personalisierte Leitfäden für robotische Exoskelette zu erstellen, die es diesen Maschinen ermöglicht, sich in Echtzeit an die spezifischen Bedürfnisse eines Patienten anzupassen. Sie merkten an, dass für den klinischen Einsatz der Technologie zukünftige Arbeiten darauf abzielen müssen, wie andere Faktoren, wie etwa die Gehgeschwindigkeit und individuelle Körpermaße, kontrolliert werden können und wie das gesamte Spektrum menschlicher Gehstile berücksichtigt werden kann. Für den Moment beweist die Studie, dass Diffusionsmodelle über die einfache Imitation hinausgehen und zu Werkzeugen werden können, die neue, plausible Wege für den Menschen zu gehen generieren können, maßgeschneidert auf die einzigartige Geometrie seines Körpers.