Continual Online Personalization of Exoskeleton Control via Manifold-Aware Experience Replay

Resumen Técnico: Personalización Continua en Línea del Control de Exoesqueletos mediante la Repetición de Experiencia Consciente del Manifold

Planteamiento del Problema
La personalización del control de exoesqueletos para usuarios clínicos, particularmente aquellos con discapacidades de la marcha como la hemiplejia, sigue siendo un desafío crítico. Si bien la Adaptación en Línea (OA, por sus siglas en inglés) ofrece una solución al ajustar los controladores en tiempo real ante la variabilidad del usuario y el ajuste del dispositivo, enfrenta el problema del olvido catastrófico. En escenarios de aprendizaje continuo, la adaptación a una tarea actual a menudo provoca que el modelo sobrescriba el conocimiento de contextos locomotores aprendidos previamente. Los métodos de repetición de experiencia existentes en la robótica vestible se han aplicado principalmente a prótesis y dependen de etiquetas de tareas explícitas para organizar los búferes de repetición. Sin embargo, en el despliegue de exoesqueletos en el mundo real, las etiquetas de tareas suelen no estar disponibles y las modalidades de detección son más escasas que en las aplicaciones protésicas. Además, los marcos de trabajo actuales luchan por mantener la estabilidad a través de diversas tareas locomotoras multimodales (por ejemplo, variaciones de velocidad e inclinación) sin una etiqueta de contexto explícita.

Metodología
Los autores proponen un marco de repetición de experiencia consciente del manifold diseñado para personalizar un estimador de la fase de la marcha de un exoesqueleto de cadera para usuarios con marcha hemipléjica simulada. El sistema opera en un exoesqueleto de cadera robótico equipado con codificadores de cadera bilaterales y un controlador de borde (NVIDIA Jetson Orin Nano) que ejecuta una arquitectura de software paralelizada.

1. Estimación de la Fase de la Marcha: El controlador central es una Red de Convolución Temporal (TCN) que estima la fase de la marcha a partir de señales de codificadores de cadera bilaterales. La red es preentrenada con datos de personas sanas y sirve como semilla para la personalización en línea.
2. Estrategia de Adaptación en Línea (OA): El sistema actualiza el modelo cada tercer golpe de talón. Para preservar las características locomotoras generales mientras se adapta a los rasgos específicos del usuario, los autores congelan los bloques de extracción de características de alto nivel de la TCN y solo ajustan la capa lineal final que mapea el espacio latente a la fase de la marcha.
3. Repetición Consciente del Manifold: Para prevenir el olvido catastrófico sin depender de etiquetas de tareas explícitas, el marco de trabajo codifica un manifold de la marcha.
   • Construcción del Espacio Latente: Se aplica el Análisis de Componentes Principales (PCA) a los datos cinemáticos, reteniendo los dos primeros componentes principales (que representan el 77% de la varianza) y la duración del ciclo de la marcha como un tercer eje. Esto crea un espacio latente 3D donde las diferentes tareas (velocidades e inclinaciones) forman grupos (clusters) distintos.
   • Agrupación (Binning) y Selección: Los datos entrantes se proyectan en este espacio latente y se discretizan en contenedores (bins) basados en intervalos de rejilla; se crean nuevos contenedores para manifolds no vistos, mientras que los existentes se actualizan con datos recientes.
   • Mecanismo de Repetición: Durante la adaptación, el sistema evalúa el Error Cuadrático Medio (RMSE) de todos los contenedores. Selecciona los cuatro mejores contenedores con la menor precisión (dentro de un rango específico de RMSE del 2.5% al 20%) para combinarlos con los datos actuales para la retropropagación (backpropagation). Esto asegura que el modelo ensaye tareas previamente aprendidas que actualmente están funcionando mal, sin necesidad de conocer la etiqueta de la tarea específica.

Contribuciones Clave

• Repetición Sin Etiquetas: El marco elimina la necesidad de etiquetado de tareas explícito durante la selección del búfer de repetición al utilizar un manifold de la marcha derivado de datos cinemáticos.
• Aprendizaje Continuo Multimodal: Demuestra con éxito la OA a través de diversas tareas locomotoras (variaciones de velocidad e inclinación) para una población clínica, un escenario previamente no abordado en estudios de exoesqueletos.
• Eficiencia Arquitectónica: Al congelar el extractor de características y solo actualizar la capa lineal final, el sistema conserva recursos computacionales y reduce la latencia de actualización, preservando las características generales de la locomoción humana.
• Rendimiento en Tiempo Real: El sistema logra una latencia de actualización promedio de aproximadamente 1.5 segundos, lo que permite actualizaciones de red rápidas y responsivas a las necesidades del usuario.

Resultos
El marco fue evaluado en nueve sujetos sanos que emulaban la marcha hemipléjica (usando ortesis de rodilla y señales de metrónomo para inducir asimetría) a través de seis tareas locomotoras que involucraban diferentes velocidades e inclinaciones. El experimento incluyó una fase de personalización, una fase de olvido (exposición a una sola tarea) y una fase de prueba.

• Seguimiento de Torque: El marco de repetición consciente del manifold logró una mejora del 40% en la precisión del seguimiento de torque (RMSE) en comparación con un marco de referencia sin repetición. Las mejoras específicas oscilaron entre el 21% y el 56%, dependiendo del par de transición de la tarea.
• Estimación de la Fase de la Marcha: El método propuesto logró una mejora del 60% en la precisión del seguimiento de la fase de la marcha en comparación con el método de referencia.
• Mitigación del Olvido: El marco de referencia exhibió un olvido catastrófico significativo durante las transiciones de tareas, particularmente cuando cambiaba la velocidad. El método propuesto mantuvo un rendimiento estable a través de todas las transiciones de tareas.
• Latencia: La latencia de actualización se estabilizó en aproximadamente 1.5 segundos con un máximo de cuatro contenedores de repetición, asegurando que el sistema permaneciera responsivo.

Significancia y Reivindicaciones
El artículo afirma que este marco de repetición consciente del manifold permite que los exoesqueletos entreguen asistencia personalizada en tiempo real a través de diversos contextos locomotores encontrados durante la ambulación diaria. Al abordar los desafíos duales del olvido catastrófico y la falta de etiquetas de tareas explícitas, el método permite una adaptación continua y estable a los patrones de marcha específicos del usuario. Los autores enfatizan que este enfoque es particularmente vital para poblaciones clínicas donde la variabilidad entre sujetos es alta y el acceso a laboratorios de marcha para un ajuste extensivo es limitado. El estudio concluye que aprovechar el manifold de la marcha permite al controlador mantener la estabilidad a través de las tareas aprendidas mientras se adapta a las nuevas, un paso crucial hacia el despliegue robusto de exoesqueletos en el mundo real.