Locomotion Mode Transitions: Tackling System- and User-Specific Variability in Lower-Limb Exoskeletons

Título: Transiciones de Modo de Locomoción: Abordando la Variabilidad Específica del Sistema y del Usuario en Exoesqueletos de Miembros Inferiores

1. Planteamiento del Problema

La detección precisa y en tiempo real de las transiciones entre modos de locomoción (caminar, sentarse, subir y bajar escaleras) es fundamental para el control efectivo de exoesqueletos de miembros inferiores. Cada modo requiere una asistencia robótica específica. Sin embargo, existen dos desafíos principales que dificultan el uso de modelos de clasificación no adaptativos:

• Variabilidad Específica del Usuario: Diferencias en la biomecánica, patrones de marcha y comportamiento individual.
• Variabilidad Específica del Sistema: Diferencias en el diseño mecánico y las restricciones cinemáticas de los exoesqueletos (ej. grados de libertad activos, alineación de articulaciones).

Los métodos tradicionales a menudo fallan en entornos dinámicos o requieren un ajuste manual de umbrales, lo que limita la escalabilidad y la experiencia del usuario. Además, la desalineación entre las articulaciones del humano y las del exoesqueleto introduce errores en los datos de los sensores, afectando la precisión de la detección.

2. Metodología

El estudio propone un marco de trabajo que combina un clasificador basado en una Máquina de Estados Finitos (FSM) con técnicas de optimización adaptativa.

• Datos y Características: Se utilizaron datos de dos exoesqueletos desarrollados en EPFL: eWalk (ligero, 1 DOF activo en cadera) y autonomyo (más complejo, 3 DOF activos por pierna). Se extrajeron Características Instantáneas Características (ICFs) basadas en el ángulo y la velocidad angular del muslo en momentos clave del ciclo de marcha (máxima flexión de cadera, impacto del talón, etc.).
• Método Base: Se empleó un método de umbral entrenado con Aprendizaje Automático (ML-trained TH-method). En lugar de usar modelos complejos en tiempo real, se entrenaron clasificadores (SVM, Regresión Logística) offline para determinar umbrales óptimos que luego se implementaron como condiciones if/else simples en el sistema embebido.
• Corrección de Desalineación: Se desarrolló un algoritmo de mapeo basado en regresión para corregir las discrepancias angulares entre la articulación humana y la del exoesqueleto (específicamente en autonomyo). Este modelo ajusta los ángulos medidos utilizando posición, velocidad y aceleración para alinearse con datos biomecánicos de la literatura.
• Métodos de Optimización Personalizada: Para abordar la variabilidad, se introdujeron dos técnicas para ajustar los umbrales de detección:
  1. Enfoque Basado en Estadísticas (SBA): Ajusta los umbrales escalándolos según las propiedades estadísticas (media y desviación estándar) de los datos del nuevo sujeto en comparación con el conjunto de entrenamiento.
  2. Optimización Bayesiana (BO): Trata el ajuste de umbrales como un problema de optimización. Utiliza Procesos Gaussianos para modelar la relación entre los umbrales y el rendimiento del FSM, buscando el óptimo global con un número mínimo de experimentos (iteraciones). Se definió una función de objetivo que penaliza las falsas detecciones y los retrasos en la detección.
• Comparativa: Se comparó la BO con una Búsqueda en Rejilla Discreta (GSA) como línea base.

3. Contribuciones Clave

• Evaluación Comparativa de Exoesqueletos: Se evaluó el algoritmo en dos plataformas con diseños mecánicos muy diferentes (eWalk y autonomyo), demostrando la necesidad de adaptación específica del sistema.
• Nuevos Métodos de Personalización: Introducción de SBA y BO para adaptar los umbrales de detección a patrones de marcha individuales y características del sistema sin necesidad de reentrenar modelos complejos en tiempo real.
• Corrección de Desalineación: Desarrollo de un algoritmo de mapeo no lineal que mejora la precisión de los datos de ángulo de la cadera en exoesqueletos complejos.
• Dataset Abierto: Se lanzó un conjunto de datos de código abierto que incluye la cinemática de miembros inferiores de 18 sujetos utilizando dos exoesqueletos en cuatro modos de locomoción y sus transiciones.

4. Resultados

• Corrección de Desalineación: El algoritmo de mapeo redujo el error cuadrático medio (RMSE) entre los datos del exoesqueleto y la literatura en 3.61°, alineando mejor los valores de máxima flexión de cadera (MHF) y reduciendo la varianza de los datos.
• Precisión de Detección:
  • El método base (no personalizado) mostró limitaciones, especialmente en autonomyo debido a su mayor complejidad cinemática.
  • SBA: Mejoró la precisión en el sistema simple (eWalk), pero tuvo un impacto limitado en el sistema complejo.
  • Optimización Bayesiana (BO): Logró mejoras significativas en ambos sistemas. En escenarios específicos, la precisión de detección aumentó hasta un 80% en comparación con el método de umbral no personalizado.
    • Ejemplo: En eWalk, la precisión de la transición Sentarse-Caminar (S-W) mejoró del 86% al 90% con SBA y hasta el 98% con BO en ciertas transiciones.
    • En autonomyo, la BO mejoró la detección de transiciones complejas (como W-SD) donde el método base fallaba frecuentemente.
• Eficiencia Computacional: La BO fue 4 veces más rápida que la Búsqueda en Rejilla (GSA) para encontrar umbrales óptimos, completando la optimización en aproximadamente 2 minutos en un PC estándar, lo que la hace viable para su implementación en sistemas embebidos.

5. Significado e Impacto

Este trabajo demuestra que la personalización es un componente crítico para el éxito de los dispositivos de asistencia robótica.

• Adaptabilidad: Muestra que los sistemas de control deben adaptarse no solo al usuario, sino también a las restricciones específicas del hardware (diseño del exoesqueleto).
• Equilibrio entre Rendimiento y Costo: La combinación de umbrales entrenados con ML y la optimización Bayesiana ofrece una solución que equilibra alta precisión, interpretabilidad y bajo costo computacional, superando las limitaciones de los modelos de aprendizaje profundo en dispositivos con recursos limitados.
• Seguridad y Experiencia de Usuario: Al mejorar la detección de transiciones, se reduce el riesgo de caídas y se mejora la interacción humano-robot, permitiendo una asistencia más fluida y segura.
• Reproducibilidad: La publicación del dataset y los códigos facilita la investigación futura en robótica de asistencia y control adaptativo.

En conclusión, el estudio valida que la optimización de parámetros basada en datos específicos del usuario y del sistema es esencial para desbloquear el potencial completo de los exoesqueletos de miembros inferiores en entornos del mundo real.