Diffusion-Based Generation of Gait Trajectories

La marche est un exploit de coordination complexe que le corps humain accomplit sans pensée consciente, pourtant, pour les personnes souffrant de déficiences de la mobilité, ce rythme naturel peut être perdu ou déformé. Dans le domaine de la robotique de réadaptation, des scientifiques travaillent à la construction de machines portables, telles que des exosquelettes, qui peuvent aider à restaurer ce mouvement perdu. Pour que ces machines fonctionnent efficacement, elles ont besoin d'une carte de la manière dont une personne devrait se déplacer. Cette carte, connue sous le nom de trajectoire de référence, doit être parfaitement adaptée à la morphologie de l'individu, à sa blessure spécifique et à ses objectifs thérapeutiques. Si la machine se déplace d'une manière qui semble peu naturelle ou ignore les limites physiques uniques de l'utilisateur, cela peut être inconfortable, voire dangereux. Le défi consiste à créer ces cartes de mouvement à la volée, en les adaptant instantanément à différentes personnes et à différentes conditions de marche, plutôt que de s'appuyer sur des modèles rigides et préprogrammés qui ne parviennent pas à capturer la nuance du mouvement humain.

Pour résoudre ce problème, une équipe de chercheurs espagnols s'est tournée vers un type d'intelligence artificielle connu sous le nom de modèle de diffusion. Imaginez un processus où une image est lentement recouverte de bruit statique jusqu'à ce qu'elle soit méconnaissable, puis qu'un ordinateur apprenne à inverser ce processus, en supprimant le bruit étape par étape pour révéler une image claire. Dans cette étude, les chercheurs ont appliqué cette même logique au mouvement humain. Au lieu de pixels, ils ont utilisé des points de données représentant les angles des articulations des jambes. Ils ont entraîné l'ordinateur sur des milliers de cycles de marche enregistrés chez des volontaires sains, lui apprenant à comprendre les motifs sous-jacents d'une foulée naturelle. L'objectif était de voir si l'IA pouvait générer de nouveaux chemins de marche réalistes qui n'étaient pas de simples copies des données qu'elle avait vues, mais qui étaient plutôt personnalisés selon des instructions spécifiques, comme faire un pas plus court ou plus long.

Les chercheurs ont testé deux approches différentes en utilisant des données provenant de 22 adultes sains marchant à deux cadences distinctes : un pas court et un pas moyen. La première approche était un modèle de base qui apprenait la forme générale d'une marche mais ne disposait pas d'un moyen d'être informé précisément de la longueur des pas à effectuer. Comme prévu, ce modèle produisait des motifs de marche qui paraissaient réels, mais il avait tendance à se stabiliser sur une longueur de pas moyenne, ignorant de fait la demande spécifique de marcher avec une foulée plus courte ou plus longue. C'était comme un musicien qui pourrait jouer une chanson magnifiquement, mais qui ne pourrait pas changer le tempo lorsqu'on le lui demande.

La seconde approche, que l'équipe a développée comme une version plus avancée, a introduit un mécanisme pour contrôler directement le résultat. En injectant à l'IA des paramètres physiques spécifiques, tels que la longueur de pas souhaitée, le modèle a appris à ajuster l'ensemble du schéma de mouvement pour correspondre à cette instruction. Lors des tests, ce modèle contrôlable a réussi à générer des trajectoires de marche correspondant aux longueurs de pas demandées. Pour les pas de longueur moyenne, les mouvements générés étaient hautement précis, correspondant étroitement aux données humaines réelles en termes d'angles articulaires et de symétrie entre les jambes gauche et droite. Le modèle a produit une longueur de pas d'environ 68,6 centimètres, ce qui s'alignait bien avec la cible.

Cependant, les résultats n'étaient pas parfaits pour toutes les conditions. Lorsque les chercheurs ont demandé au modèle de générer des pas très courts, la précision a chuté. L'IA a produit des pas plus courts que la cible, mais les mouvements étaient moins précis et présentaient plus de variations d'une personne à l'autre. Les chercheurs ont découvert que cela était dû au fait que les pas courts sont naturellement plus incohérents d'un individu à l'autre ; certains traînent les pieds, tandis que d'autres font de petits pas rapides. Comme les données pour les pas courts étaient si variées, l'IA peinait à trouver un motif unique et clair à suivre et avait tendance à revenir vers un point médian. Cela a entraîné une légère sous-estimation de l'amplitude de mouvement des articulations, particulièrement au niveau du genou et de la hanche. Malgré cette limitation, l'étude a démontré que le modèle avancé pouvait séparer clairement les deux types de marche, alors que le modèle plus simple ne pouvait pas du tout faire la distinction entre eux.

Les conclusions suggèrent que, bien que l'intelligence artificielle puisse désormais générer des chemins de marche hautement réalistes et personnalisables, la tâche devient nettement plus difficile lorsque le mouvement demandé est moins commun ou plus variable selon les individus. Les chercheurs ont conclu que leur nouvelle méthode est prometteuse pour la création de guides personnalisés pour les exosquelettes robotiques, permettant à ces machines de s'adapter aux besoins spécifiques d'un patient en temps réel. Ils ont noté que pour que cette technologie soit prête pour un usage clinique, les travaux futurs devront traiter le contrôle d'autres facteurs, tels que la vitesse de marche et les dimensions corporelles individuelles, ainsi que la gestion de toute la gamme des styles de marche humaine. Pour l'instant, l'étude prouve que les modèles de diffusion peuvent aller au-delà de la simple imitation pour devenir des outils capables de générer de nouvelles manières plausibles de marcher, adaptées à la géométrie unique du corps de chaque personne.