Diffusion-Based Generation of Gait Trajectories

Caminar es una proeza de coordinación compleja que el cuerpo humano realiza sin pensamiento consciente, pero para las personas con discapacidades de movilidad, este ritmo natural puede perderse o distorsionarse. En el campo de la robótica de rehabilitación, los científicos trabajan para construir máquinas vestibles, como los exoesqueletos, que puedan ayudar a restaurar este movimiento perdido. Para que estas máquinas funcionen de manera efectiva, necesitan un mapa de cómo debe moverse una persona. Este mapa, conocido como trayectoria de referencia, debe estar perfectamente adaptado a la forma corporal del individuo, su lesión específica y sus objetivos terapéuticos. Si la máquina se mueve de una manera que se siente antinatural o ignora los límites físicos únicos del usuario, puede resultar incómoda o incluso perjudicial. El desafío radica en crear estos mapas de movimiento sobre la marcha, adaptándolos instantáneamente a diferentes personas y diferentes condiciones de marcha, en lugar de depender de plantillas rígidas y preprogramadas que no logran capturar el matiz del movimiento humano.

Para resolver esto, un equipo de investigadores de España ha recurrido a un tipo de inteligencia artificial conocida como modelo de difusión. Imagine un proceso en el que una imagen se cubre lentamente con ruido estático hasta que es irreconocible, y luego una computadora aprende a revertir ese proceso, eliminando el ruido paso a paso para revelar una imagen clara. En este estudio, los investigadores aplicaron esta misma lógica al movimiento humano. En lugar de píxeles, utilizaron puntos de datos que representan los ángulos de las articulaciones de las piernas. Entrenaron a la computadora con miles de ciclos de marcha registrados de voluntarios sanos, enseñándole a comprender los patrones subyacentes de una zancada natural. El objetivo era ver si la IA podía generar nuevas trayectorias de marcha realistas que no fueran solo copias de los datos que había visto, sino que estuvieran personalizadas según instrucciones específicas, como dar un paso más corto o más largo.

Los investigadores probaron dos enfoques diferentes utilizando datos de 22 adultos sanos que caminaban a dos ritmos distintos: un paso corto y un paso medio. El primer enfoque fue un modelo base que aprendió la forma general de una marcha, pero no tenía una forma de ser instruido exactamente sobre qué tan largos debían ser los pasos. Como era de esperar, este modelo produjo patrones de marcha que parecían reales, pero tendía a establecerse en una longitud de paso promedio, ignorando efectivamente la petición específica de caminar con una zancada más corta o más larga. Era como un músico que pudiera tocar una canción bellamente pero no pudiera cambiar el tempo cuando se le pide.

El segundo enfoque, que el equipo desarrolló como una versión más avanzada, introdujo un mecanismo para controlar la salida directamente. Al alimentar a la IA con parámetros físicos específicos, como la longitud de paso deseada, el modelo aprendió a ajustar todo el patrón de movimiento para que coincidiera con esa instrucción. Cuando se probó, este modelo controlable generó con éxito trayectorias de marcha que coincidían con las longitudes de paso solicitadas. Para los pasos de longitud media, los movimientos generados fueron altamente precisos, coincidiendo estrechamente con los datos humanos reales en términos de ángulos articulares y simetría entre las piernas izquierda y derecha. El modelo produjo una longitud de paso de aproximadamente 68,6 centímetros, lo cual se alineó bien con el objetivo.

Sin embargo, los resultados no fueron perfectos para todas las condiciones. Cuando los investigadores pidieron al modelo generar pasos muy cortos, la precisión disminuyó. La IA produjo pasos que eran más cortos que el objetivo, pero los movimientos eran menos precisos y mostraban mayor variación de una persona a otra. Los investigadores descubrieron que esto se debía a que los pasos cortos son naturalmente más inconsistentes entre diferentes personas; algunos arrastran los pies, mientras que otros dan pasos pequeños y rápidos. Debido a que los datos para los pasos cortos eran tan variados, la IA tuvo dificultades para encontrar un patrón único y claro para seguir, y tendió a revertir hacia un punto medio. Esto resultó en una ligera subestimación de cuánto debían moverse las articulaciones, particularmente en la rodilla y la cadera. A pesar de esta limitación, el estudio demostró que el modelo avanzado podía separar claramente los dos tipos de marcha, mientras que el modelo más simple no podía distinguir entre ellos en absoluto.

Los hallazgos sugieren que, si bien la inteligencia artificial ya puede generar trayectorias de marcha altamente realistas y personalizables, la tarea se vuelve significativamente más difícil cuando el movimiento solicitado es menos común o más variable entre individuos. Los investigadores concluyeron que su nuevo método es prometedor para la creación de guías personalizadas para exoesqueletos robóticos, permitiendo que estas máquinas se adapten a las necesidades específicas de un paciente en tiempo real. Señalaron que, para que la tecnología esté lista para el uso clínico, el trabajo futuro deberá abordar cómo controlar otros factores, como la velocidad de la marcha y las dimensiones corporales individuales, y cómo manejar la gama completa de estilos de marcha humana. Por ahora, el estudio demuestra que los modelos de difusión pueden ir más allá de la simple imitación para convertirse en herramientas que pueden generar nuevas y plausibles formas de caminar para los humanos, adaptadas a la geometría única del cuerpo de cada persona.