💻 computer science

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

यह अध्ययन सांख्यिकी-आधारित (Statistics-Based) और बायेसियन अनुकूलन (Bayesian Optimization) विधियों को पेश करके लोअर-लिम्ब एक्सोस्केलेटन में लोकोमोशन ट्रांजिशन का पता लगाने की चुनौती का समाधान करता है जो उपयोगकर्ता-और-सिस्टम-विशिष्ट परिवर्तनशीलता के अनुसार क्लासिफायर को अनुकूलित करते हैं, जिससे पहचान की सटीकता में महत्वपूर्ण सुधार होता है और अधिक प्रभावी व्यक्तिगत सहायक नियंत्रण सक्षम होता है।

मूल लेखक: Andrea Dal Prete, Zeynep Özge Orhan, Anastasia Bolotnikova, Marta Gandolla, Auke Ijspeert, Mohamed Bouri

प्रकाशित 2026-02-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andrea Dal Prete, Zeynep Özge Orhan, Anastasia Bolotnikova, Marta Gandolla, Auke Ijspeert, Mohamed Bouri

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपने हाई-टेक, रोबोटिक पैंट पहनी हुई है जिसे चलने, सीढ़ियां चढ़ने या बैठने में आपकी मदद करने के लिए डिज़ाइन किया गया है। ये "एक्सोस्केलेटन" (exoskeletons) मददगार रोबोट की तरह हैं जो ठीक उसी समय आपको एक हल्का सा धक्का देना चाहते हैं जब आपको इसकी ज़रूरत होती है। लेकिन यहाँ एक समस्या है: रोबोट यह अंदाज़ा लगाने में बहुत बुरे होते हैं कि आप आगे क्या करने वाले हैं।

यदि आप चल रहे हैं और अचानक बैठने का निर्णय लेते हैं, तो रोबोट को तुरंत यह जानने की आवश्यकता है कि आपको आगे धकेलना बंद करना है और खुद को नीचे बैठाने में मदद शुरू करनी है। यदि वह गलत अंदाज़ा लगाता है, तो आप लड़खड़ा सकते हैं, या रोबोट आपको तब धक्का दे सकता है जब आप रुकने की कोशिश कर रहे हों।

यह शोध पत्र इन रोबोटिक पैंट को आपके अगले कदम का बेहतर अंदाज़ा लगाने में माहिर बनाने के बारे में है, विशेष रूप से आपको और आपके विशिष्ट रोबोट को समझने के लिए सीखने के माध्यम से।

यहाँ उनकी यात्रा का विवरण दिया गया है, जिसे रोजमर्रा के उदाहरणों के साथ समझाया गया है:

1. समस्या: "एक ही आकार सबके लिए" (One-Size-Fits-All) वाला जाल

शोधकर्ताओं ने एक ऐसे रोबोट के साथ शुरुआत की जो आपके कदमों का अंदाज़ा लगाने के लिए एक "नियम पुस्तिका" (rulebook) का उपयोग करता था। यह एक ऐसे शिक्षक की तरह था जिसने रोबोट को सिखाया: "यदि पैर 50 डिग्री पर घूमता है, तो यह बैठने का समय है।"

लेकिन लोग अलग-अलग होते हैं!

"लंबे व्यक्ति" बनाम "छोटे व्यक्ति": एक लंबा व्यक्ति अपने पैर को एक छोटे व्यक्ति की तुलना में अलग तरह से घुमा सकता है।
"भारी रोबोट" बनाम "हल्का रोबोट": कुछ रोबोट भारी और बोझिल होते हैं (जैसे ईंटों से भरा हुआ बैकपैक), जबकि अन्य हल्के और फुर्तीले होते हैं। एक भारी रोबोट आपके चलने के तरीके को बदल देता है; आप शायद धीरे चलेंगे या अपने संतुलन को अलग तरह से समायोजित करेंगे।

पुरानी नियम पुस्तिका इन अंतरों को ध्यान में नहीं रखती थी। यह सबको एक ही आकार के जूते में फिट करने की कोशिश करने जैसा था। कभी-कभी यह काम करता था, लेकिन अक्सर रोबोट भ्रमित हो जाता था, जिससे कदम छूट जाते थे या अजीब रुकावटें आती थीं।

2. समाधान: दो नए "पर्सनल ट्रेनर"

इसे ठीक करने के लिए, टीम ने हर उपयोगकर्ता के लिए रोबोट की नियम पुस्तिका को "निजीकृत" (personalize) करने के लिए दो नए तरीके बनाए। इन्हें रोबोट के लिए दो अलग-अलग प्रकार के पर्सनल ट्रेनर के रूप में समझें।

विधि अ: "सांख्यिकीविद्" (सांख्यिकी-आधारित दृष्टिकोण)

कल्पना कीजिए कि आप लोगों के एक समूह की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं। आप 100 लोगों को मापते हैं और एक औसत प्राप्त करते हैं। अब, आप एक नए व्यक्ति से मिलते हैं जो बहुत लंबा है।

सांख्यिकीविद् उस नए व्यक्ति को देखता है और कहता है, "ठीक है, यह व्यक्ति औसत से लंबा है। चलिए 'लंबे' होने की सीमा (threshold) को थोड़ा ऊपर कर देते हैं ताकि हम उन्हें मिस न करें।"
यह एक त्वरित, गणित-आधारित समायोजन है। यह नए उपयोगकर्ता के डेटा को देखता है और उनके स्टाइल से मेल खाने के लिए लक्ष्य (goalposts) को थोड़ा खिसका देता है।
परिणाम: यह हल्के, सरल रोबोट के लिए अच्छा काम करता था, लेकिन भारी, जटिल रोबोट के लिए यह थोड़ा बहुत कठोर था।

विधि ब: "स्मार्ट एक्सप्लोरर" (बेयसियन ऑप्टिमाइज़ेशन)

यह मुख्य आकर्षण है। कल्पना कीजिए कि आप कॉफी के एक गर्म कप के लिए एकदम सही तापमान खोजने की कोशिश कर रहे हैं।

पुराना तरीका (ग्रिड सर्च): आप 0°C से 100°C तक के हर एक तापमान को एक-एक करके आज़माते हैं। इसमें बहुत समय लगता है।
"स्मार्ट एक्सप्लोरर" (बेयसियन ऑप्टिमाइज़ेशन): यह AI एक चतुर बरिस्ता (barista) की तरह है। वह एक घूँट लेता है, सोचता है, "थोड़ा ज़्यादा गर्म है," फिर थोड़ा कम तापमान आज़माता है। वह हर घूँट से सीखता है। वह बेतरतीब ढंग से अंदाज़ा नहीं लगाता; वह "पहले क्या काम किया था" के मानचित्र का उपयोग करके रिकॉर्ड समय में परफेक्ट तापमान तक पहुँच जाता है।
यहाँ यह कैसे काम करता है: रोबोट एक ट्रांज़िशन (बदलाव) आज़माता है। यदि वह चूक जाता है, तो "स्मार्ट एक्सप्लोरर" सेटिंग्स को थोड़ा बदलता है और फिर से कोशिश करता है। वह यह बहुत तेज़ी से करता है, रोबोट पहनने वाले विशिष्ट इंसान के अनूठे "डांस स्टेप्स" को सीखता है।
परिणाम: यह तरीका एक बड़ी सफलता थी। इसने कुछ मामलों में रोबोट की सटीकता को 80% तक बढ़ा दिया, जिससे रोबोट बहुत अधिक स्वाभाविक और उत्तरदायी महसूस होने लगा।

3. "टूटे हुए चश्मे" का समाधान (जोड़ों का मिसअलाइनमेंट)

एक और समस्या थी। जब आप एक रोबोट पहनते हैं, तो रोबोट के जोड़ (घुटने और कूल्हे) हमेशा आपके वास्तविक शरीर के जोड़ों के साथ पूरी तरह से संरेखित (align) नहीं होते हैं। यह थोड़े टेढ़े चश्मे पहनने जैसा है; दुनिया थोड़ी विकृत दिखाई देती है।

इस कारण से, रोबोट के सेंसर गलत कोण (angles) पढ़ रहे थे।

समाधान: टीम ने रोबोट के लिए एक "ट्रांसलेशन ऐप" बनाया। इसने रोबोट के सेंसर से मिले टेढ़े, विकृत डेटा को लिया और गणितीय रूप से इसे "सीधा" किया ताकि यह मानव की वास्तविक गति से मेल खा सके।
उपमा: यह एक फोटो पर फ़िल्टर का उपयोग करने जैसा है जो झुकी हुई क्षितिज रेखा को ठीक करता है। अचानक, रोबोट दुनिया को स्पष्ट रूप से देख सका।

4. मुख्य निष्कर्ष: वैयक्तिकरण (Personalization) ही कुंजी है

इस शोध पत्र का मुख्य सबक यह है कि रोबोट को प्रभावी ढंग से आपकी मदद करने के लिए आपको सीखना होगा।

पहले: रोबोट के पास एक सामान्य मैनुअल था। वह ठीक था, लेकिन अक्सर अनाड़ी था।
अब: रोबोट के पास एक व्यक्तिगत प्रोफ़ाइल है। वह आपके कदमों की लंबाई, आपकी गति और यह जानता है कि आप उसके विशिष्ट वजन के साथ कैसे तालमेल बिठाते हैं।

इन स्मार्ट, अनुकूलन योग्य तरीकों का उपयोग करके, शोधकर्ताओं ने रोबोटिक पैंट को अधिक सुरक्षित, सुचारू और आरामदायक बनाया। उन्होंने अपना सारा डेटा और कोड दुनिया के साथ साझा (ओपन-सोर्स) भी किया, ताकि अन्य वैज्ञानिक भविष्य में और भी बेहतर रोबोट बना सकें।

संक्षेप में: उन्होंने रोबोट को केवल अंदाज़ा लगाना छोड़ कर "सुनना" सिखाया, जिससे एक अनाड़ी यांत्रिक सहायक एक सहज मानवीय शरीर के विस्तार में बदल गया।

यहाँ शोध पत्र "Locomotion Mode Transitions: Tackling System- and User-Specific Variability in Lower-Limb Exoskeletons" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लोअर-लिम्ब एक्सोस्केलेटन के प्रभावी नियंत्रण के लिए लोकोमोशन मोड ट्रांज़िशन (जैसे, चलने से बैठने, या चलने से सीढ़ियाँ चढ़ने/उतरने) का सटीक और वास्तविक समय में पता लगाना आवश्यक है। जबकि स्थिर-अवस्था (steady-state) गतिविधि पहचान अच्छी तरह से स्थापित है, ट्रांज़िशन डिटेक्शन चुनौतीपूर्ण बना हुआ है क्योंकि:

परिवर्तनीयता (Variability): उपयोगकर्ता के चाल पैटर्न (gait patterns) और विभिन्न एक्सोस्केलेटन डिज़ाइनों (जैसे, डिग्री ऑफ फ्रीडम, वजन, एक्चुएशन) द्वारा लगाए गए यांत्रिक प्रतिबंधों में महत्वपूर्ण अंतर होता है।
फिक्स्ड मॉडल्स की सीमाएँ: गैर-अनुकूलन योग्य वर्गीकरण मॉडल (फिक्स्ड थ्रेशोल्ड का उपयोग करने वाले) विविध उपयोगकर्ताओं और उपकरणों में उच्च सटीकता बनाए रखने में अक्सर विफल रहते हैं, जिससे विलंबता (latency) या ट्रांज़िशन छूट जाने जैसी समस्याएँ होती हैं।
समझौते (Trade-offs): डीप लर्निंग उच्च सटीकता प्रदान करता है लेकिन इसमें व्याख्यात्मकता (interpretability) की कमी होती है और इसके लिए भारी कम्प्यूटेशनल संसाधनों की आवश्यकता होती है, जबकि पारंपरिक मशीन लर्निंग (ML) के लिए अक्सर व्यापक फीचर इंजीनियरिंग की आवश्यकता होती है।

मूल समस्या यह है कि कैसे विभिन्न उपयोगकर्ताओं और एक्सोस्けलेटन सिस्टम के लिए अत्यधिक कम्प्यूटेशनल लागत या लंबे प्रशिक्षण समय के बिना ट्रांज़िशन डिटेक्शन एल्गोरिदम को अनुकूलित किया जाए।

2. कार्यप्रणाली (Methodology)

A. प्रयोगात्मक सेटअप और हार्डवेयर

विषय (Subjects): 18 स्वस्थ वयस्क (प्रत्येक एक्सोस्केलेटन के लिए 10)।
एक्सोस्केलेटन:
- eWalk: एक हल्का उपकरण जिसमें हिप (hip) पर 1 सक्रिय डिग्री ऑफ फ्रीडम (DOF) है।
- autonomyo: एक अधिक जटिल उपकरण जिसमें प्रत्येक पैर में 3 सक्रिय DOF (हिप फ्लेक्स/एक्सटेंशन, हिप एबडक्शन/एडक्शन, नी फ्लेक्स/एक्सटेंशन) और 3 पैसिव DOF हैं।
कार्य (Tasks): चार लोकोमोशन मोड (चलना, बैठना, सीढ़ियाँ चढ़ना, सीढ़ियाँ उतरना) और उनके बीच छह ट्रांज़िशन।
सेंसर: थाई एंगल/वेलोसिटी, ग्राउंड रिएक्शन फोर्सेस (GRF), और इनर्शियल मेजरमेंट यूनिट्स (IMU)।

B. मुख्य एल्गोरिदम: ML-प्रशिक्षित थ्रेशोल्ड के साथ फाइनाइट स्टेट मशीन (FSM)

यह अध्ययन चार अवस्थाओं (states) वाले एक फाइनाइट स्टेट मशीन (FSM) का उपयोग करता है। जटिल क्लासिफायर को वास्तविक समय में चलाने के बजाय, लेखक एक ML-प्रशिक्षित थ्रेशोल्ड-आधारित (TH) विधि का उपयोग करते हैं:

फीचर्स: विशिष्ट गेट इवेंट्स (अधिकतम हिप फ्लेक्शन, हील स्ट्राइक, और विशिष्ट एंगल रेंज) पर थाई एंगल ( $\theta_{th}$ ) और वेलोसिटी ( $\dot{\theta}_{th}$ ) से इंस्टेंटेनियस कैरेक्टरिस्टिक फीचर्स (ICFs) निकाले जाते हैं।
प्रशिक्षण: इष्टतम निर्णय सीमाओं (decision boundaries) को निर्धारित करने के लिए ऑफलाइन ML मॉडल (लीनियर SVM और लॉजिस्टिक रिग्रेशन) को प्रशिक्षित किया जाता है। इन सीमाओं को वास्तविक समय के एम्बेडेड निष्पादन के लिए सरल if/else थ्रेशोल्ड में बदल दिया जाता है।

C. सिस्टम परिवर्तनशीलता को संबोधित करना: जॉइंट मिसअलाइनमेंट सुधार

एक्सोस्केलेटन जोड़ों और मानव शरीर रचना के बीच किनेमैटिक विसंगतियों (जो autonomyo जैसे जटिल डिज़ाइन में आम हैं) को संभालने के लिए, एक रिग्रेशन-आधारित मैपिंग एल्गोरिदम विकसित किया गया था।

विधि: एक फलन $f(w, \phi(x)) \to t$ मापे गए एनकोडर डेटा ( $x$ , वेग, त्वरण) को साहित्य के ग्राउंड ट्रुथ के आधार पर सुधारा गया कोणों ( $t$ ) में मैप करता है।
अनुकूलन (Optimization): मापे गए और प्राकृतिक मानव बायोमैकेनिक्स के बीच त्रुटि को कम करने के लिए भार ( $w$ ) को सम-वर्ग हानि (sum-of-squares loss) फ़ंक्शन का उपयोग करके अनुकूलित किया जाता है।

D. उपयोगकर्ता परिवर्तनशीलता को संबोधित करना: वैयक्तिकरण रणनीतियाँ

दो विधियाँ व्यक्तिगत उपयोगकर्ताओं के लिए डिटेक्शन थ्रेशोल्ड को अनुकूलित करने के लिए प्रस्तावित की गईं:

सांख्यिकी-आधारित दृष्टिकोण (SBA):
- प्रशिक्षण आबादी और विशिष्ट उपयोगकर्ता के बीच सांख्यिकीय अंतर (माध्य और मानक विचलन) का विश्लेषण करता है।
- नए उपयोगकर्ता के गेट गुणों के लिए समायोजन करने हेतु मूल थ्रेशोल्ड को इन सांख्यिकीओं के अनुपात का उपयोग करके स्केल किया जाता है।
- सूत्र: $TH_{new} = TH_{tr} \cdot \frac{\text{mean}(ICF_{new}) \pm \text{std}(ICF_{new})}{\text{mean}(ICF_{tr}) \pm \text{std}(ICF_{tr})}$
बायेसियन ऑप्टिमाइज़ेशन (BO):
- थ्रेशोल्ड ट्यूनिंग को एक अनुकूलन समस्या के रूप में मानता है ताकि एक लागत फ़ंक्शन (मिस या विलंबित ट्रांज़िशन के लिए दंड) को कम किया जा सके।
- ऑब्जेक्टिव फ़ंक्शन को मॉडल करने और न्यूनतम प्रयोगों (ह्यूमन-इन-द-लूप) के साथ इष्टतम थ्रेशोल्ड खोजने के लिए एक्विजिशन फ़ंक्शन का उपयोग करने के लिए गॉसियन प्रोसेस का उपयोग करता है।
- इसमें यह सुनिश्चित करने के लिए रेगुलराइजेशन शामिल है कि थ्रेशोल्ड अवास्तविक मानों में न बह जाए।

3. मुख्य योगदान

वैयक्तिकरण ढांचा (Personalization Framework): विशिष्ट उपयोगकर्ताओं और एक्सोस्केलेटन डिज़ाइनों के लिए ट्रांज़िशन डिटेक्शन थ्रेशोल्ड को अनुकूलित करने के लिए SBA और बायेसियन ऑप्टिमाइज़ेशन का परिचय, जो गैर-वैयक्तिकृत तरीकों की तुलना में काफी बेहतर प्रदर्शन करता है।
जॉइंट मिसअलाइनमेंट सुधार: किनेमैटिक मिसअलाइनमेंट को ठीक करने के लिए एक डेटा-संचालित रिग्रेशन मॉडल का विकास, जो जॉइंट ट्रजेक्टरी डेटा की शुद्धता में सुधार करता है।
ओपन-सोर्स डेटासेट: भविष्य के अनुसंधान को सुगम बनाने के लिए 18 विषयों, दो अलग-अलग एक्सोस्केलेटन और चार लोकोमोशन मोड वाले एक व्यापक लोअर-लिम्ब किनेमैटिक्स डेटासेट का विमोचन।
कम्प्यूटेशनल दक्षता: यह प्रदर्शन करना कि ML-प्रशिक्षित थ्रेशोल्ड और BO का संयोजन डीप लर्निंग का एक कम्प्यूटेशनल रूप से कुशल विकल्प है, जो एम्बेडेड सिस्टम के लिए उपयुक्त है।

4. परिणाम

जॉइंट अलाइनमेंट: मैपिंग फ़ंक्शन ने हिप एंगल के मीन रूट मीन स्क्वायर एरर (RMSE) को 3.61° कम कर दिया और मीन मैक्सिमम हिप फ्लेक्शन (MHF) को साहित्य मूल्यों के करीब ला दिया (73.87° से 55.27°)।
डिटेक्शन सटीकता:
- बेसलाइन: गैर-वैयक्तिकृत विधि ने अलग-अलग सटीकता प्राप्त की (उदाहरण के लिए, ट्रांज़िशन और डिवाइस के आधार पर 70-100%)।
- SBA: सरल eWalk के लिए सटीकता में सुधार किया लेकिन जटिल autonomyo के लिए सीमित लाभ दिखाया।
- बायेसियन ऑप्टिमाइज़ेशन: उच्चतम प्रदर्शन प्राप्त किया, जिसने बेसलाइन की तुलना में विशिष्ट परिदृश्यों में डिटेक्शन सटीकता को 80% तक बढ़ा दिया।
  - उदाहरण: eWalk विषय 5 के लिए, W-SD सटीकता 20% से बढ़कर 100% हो गई।
  - उदाहरण: autonomyo विषय 6 के लिए, S-W और W-S सटीकता 40% सुधरकर 100% तक पहुँच गई।
दक्षता: बायेसियन ऑप्टिमाइज़ेशन इष्टतम थ्रेशोल्ड खोजने में ग्रिड सर्च (GSA) की तुलना में 4 गुना तेज़ था (एक मानक पीसी पर लगभग 2 मिनट बनाम GSA के लिए 8+ मिनट)।

5. महत्व और निष्कर्ष

यह अध्ययन इस बात पर प्रकाश डालता है कि सहायक एक्सोस्केलेटन के प्रभावी परिनियोजन के लिए वैयक्तिकरण (personalization) महत्वपूर्ण है। "एक ही आकार सबके लिए" (one-size-fits-all) वाली नियंत्रण रणनीति मानव चाल की अंतर-विषय परिवर्तनशीलता और विभिन्न उपकरणों के विशिष्ट यांत्रिक प्रतिबंधों को समझने में विफल रहती है।

अनुकूली नियंत्रण (Adaptive Control): प्रस्तावित विधियाँ नियंत्रण प्रणालियों को व्यक्तिगत उपयोगकर्ताओं के अनुकूल होने की अनुमति देती हैं, जिससे सुरक्षा, स्थिरता और उपयोगकर्ता अनुभव में वृद्धि होती है।
स्केलेबिलिटी: उच्च-सटीक मशीन लर्निंग और एम्बेडेड मेडिकल उपकरणों की कम्प्यूटेशनल बाधाओं के बीच के अंतर को पाटते हुए, हल्के, थ्रेशोल्ड-आधारित तर्क को BO द्वारा सुदृढ़ करके यह दृष्टिकोण काम करता है।
भविष्य का प्रभाव: यह कार्य उन नियंत्रण प्रणालियों के लिए मार्ग प्रशस्त करता है जो व्यापक मैनुअल अंशांकन (calibration) या महंगे हार्डवेयर आवश्यकताओं के बिना नए उपयोगकर्ताओं के लिए तेजी से ट्यून की जा सकती हैं।

लेखक निष्कर्ष निकालते हैं कि जबकि थ्रेशोल्ड ऑप्टिमाइज़ेशन शक्तिशाली है, भविष्य के कार्यों को गैर-अनुकूलित FSM घटकों को संबोधित करना चाहिए और नैदानिक सेटिंग्स में सिस्टम की मजबूती को पूरी तरह से मान्य करने के लिए गतिशीलता संबंधी अक्षमताओं वाले उपयोगकर्ताओं को शामिल करना चाहिए।