Diffusion-Based Generation of Gait Trajectories
यह शोध पत्र कंडीशनल डिफ्यूजन मॉडल्स, विशेष रूप से एडेप्टिव नॉर्मलाइजेशन और क्लासिफायर-फ्री गाइडेंस वाले एक कंट्रोलेबल डिफ्यूजन ट्रांसफार्मर को प्रस्तावित और मूल्यांकित करता है, जो स्टेप लेंथ जैसे मापदंडों पर आधारित यथार्थवादी और व्यक्तिगत लोअर-लिम्ब गेट ट्राजेक्टरीज (निचले अंग की चाल के प्रक्षेप पथ) उत्पन्न करने के लिए है, जो वियरेबल रोबोटिक्स और पुनर्वास के लिए पारंपरिक हस्तनिर्मित विधियों के एक स्केलेबल विकल्प के रूप में कार्य करता है।
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
चलना समन्वय का एक जटिल कार्य है जिसे मानव शरीर बिना किसी सचेत विचार के करता है, फिर भी गतिशीलता संबंधी अक्षमता वाले लोगों के लिए, यह स्वाभाविक लय खो सकती है या विकृत हो सकती है। पुनर्वास रोबोटिक्स (rehabilitation robotics) के क्षेत्र में, वैज्ञानिक पहनने योग्य मशीनें, जैसे कि एक्सोस्केलेटन (exoskeletons), बनाने पर काम कर रहे हैं जो इस खोई हुई गति को बहाल करने में मदद कर सकें। इन मशीनों के प्रभावी ढंग से काम करने के लिए, उन्हें इस बात का मानचित्र चाहिए कि एक व्यक्ति को कैसे चलना चाहिए। यह मानचित्र, जिसे संदर्भ प्रक्षेपवक्र (reference trajectory) कहा जाता है, व्यक्ति के शरीर के आकार, उनकी विशिष्ट चोट और उनके चिकित्सीय लक्ष्यों के अनुरूप पूरी तरह से अनुकूलित होना चाहिए। यदि मशीन इस तरह से चलती है जो अप्राकृतिक महसूस होती है या उपयोगकर्ता की अनूठी शारीरिक सीमाओं की अनदेखी करती है, तो यह असुविधाजनक या हानिकारक भी हो सकती है। चुनौती इन 'मूवमेंट मैप्स' को तुरंत बनाने में है, जो अलग-अलग लोगों और अलग-अलग चलने की स्थितियों के अनुसार खुद को तुरंत ढाल सकें, न कि कठोर, पूर्व-निर्धारित टेम्पलेट्स पर निर्भर रहें जो मानव गति की सूक्ष्मता को पकड़ने में विफल रहते हैं।
इसे हल करने के लिए, स्पेन के शोधकर्ताओं की एक टीम ने 'डिफ्यूजन मॉडल' (diffusion model) नामक एक प्रकार के कृत्रिम बुद्धिमत्ता (AI) की ओर रुख किया है। एक ऐसी प्रक्रिया की कल्पना करें जहाँ एक छवि को धीरे-धीरे पहचान योग्य न रहने तक 'स्टैटिक नॉइज़' (static noise) से ढक दिया जाता है, और फिर एक कंप्यूटर उस प्रक्रिया को उलटने का सीखता है, यानी स्पष्ट चित्र प्रकट करने के लिए चरण दर चरण शोर को हटाता है। इस अध्ययन में, शोधकर्ताओं ने इसी तर्क को मानव गति पर लागू किया। पिक्सेल के बजाय, उन्होंने पैरों के जोड़ों के कोणों का प्रतिनिधित्व करने वाले डेटा बिंदुओं का उपयोग किया। उन्होंने कंप्यूटर को स्वस्थ स्वयंसेवकों के हजारों रिकॉर्ड किए गए वॉकिंग साइकिल्स (walking cycles) पर प्रशिक्षित किया, जिससे वह एक स्वाभाविक कदम की अंतर्निहित पैटर्न को समझ सके। लक्ष्य यह देखना था कि क्या AI नए, यथार्थवादी चलने के पथ उत्पन्न कर सकता है जो केवल देखे गए डेटा की नकल नहीं हैं, बल्कि विशिष्ट निर्देशों, जैसे कि छोटा या लंबा कदम उठाने के अनुसार अनुकूलित हैं।
शोधकर्ताओं ने 22 स्वस्थ वयस्कों के डेटा का उपयोग करके दो अलग-अलग गतियों के दो अलग-अलग दृष्टिकोणों का परीक्षण किया: एक छोटा कदम और एक मध्यम कदम। पहला दृष्टिकोण एक बेसलाइन मॉडल था जिसने चलने के सामान्य आकार को सीखा लेकिन उसके पास यह जानने का कोई तरीका नहीं था कि कदमों की लंबाई वास्तव में कितनी होनी चाहिए। जैसा कि अपेक्षित था, इस मॉडल ने ऐसे चलने के पैटर्न उत्पन्न किए जो वास्तविक दिखते थे, लेकिन यह एक औसत कदम की लंबाई पर ही टिक जाता था, जिससे यह विशेष रूप से छोटे या लंबे कदम चलने के अनुरोध को अनदेखा कर देता था। यह एक ऐसे संगीतकार की तरह था जो एक गीत को खूबसूरती से बजा तो सकता है लेकिन पूछे जाने पर उसकी लय (tempo) बदल नहीं सकता।
दूसरा दृष्टिकोण, जिसे टीम ने एक अधिक उन्नत संस्करण के रूप में विकसित किया, ने आउटपुट को सीधे नियंत्रित करने के लिए एक तंत्र पेश किया। AI को विशिष्ट भौतिक पैरामीटर, जैसे कि वांछित कदम की लंबाई, फीड करके, मॉडल ने निर्देश से मेल खाने के लिए पूरे मूवमेंट पैटर्न को समायोजित करना सीख लिया। परीक्षण के दौरान, नियंत्रणीय मॉडल ने सफलतापूर्वक ऐसे चलने के प्रक्षेपवक्र उत्पन्न किए जो अनुरोधित कदम की लंबाई से मेल खाते थे। मध्यम लंबाई के कदमों के लिए, उत्पन्न गतिविधियाँ अत्यधिक सटीक थीं, जो जोड़ों के कोणों और बाएं और दाएं पैरों के बीच समरूपता (symmetry) के मामले में वास्तविक मानव डेटा से निकटता से मेल खाती थीं। मॉडल ने लगभग 68.6 सेंटीमीटर की कदम की लंबाई उत्पन्न की, जो लक्ष्य के अनुरूप थी।
हालाँकि, हर स्थिति के लिए परिणाम पूर्ण नहीं थे। जब शोधकर्ताओं ने मॉडल को बहुत छोटे कदम उत्पन्न करने के लिए कहा, तो सटीकता कम हो गई। AI ने लक्ष्य से छोटे कदम तो उत्पन्न किए, लेकिन गतिविधियाँ कम सटीक थीं और उनमें व्यक्ति-दर-व्यक्ति अधिक भिन्नता देखी गई। शोधकर्ताओं ने पाया कि ऐसा इसलिए था क्योंकि छोटे कदम स्वाभाविक रूप से विभिन्न लोगों में अधिक असंगत होते हैं; कुछ लोग घिसटकर चलते हैं, जबकि अन्य छोटे, तेज़ कदम उठाते हैं। चूंकि छोटे कदमों के लिए डेटा बहुत विविध था, इसलिए AI एक स्पष्ट पैटर्न का पालन करने के लिए संघर्ष करता था और एक मध्य मार्ग की ओर झुक जाता था। इसके परिणामस्वरूप जोड़ों की गति (विशेष रूप से घुटने और कूल्हे की) का थोड़ा कम अनुमान लगा। इस सीमा के बावजूद, अध्ययन ने प्रदर्शित किया कि उन्नत मॉडल दो प्रकार के चलने के बीच स्पष्ट अंतर कर सकता था, जबकि सरल मॉडल उनके बीच अंतर करने में पूरी तरह विफल रहा।
निष्कर्ष बताते हैं कि जबकि कृत्रिम बुद्धिमत्ता अब अत्यधिक यथार्थवादी और अनुकूलन योग्य चलने के पथ उत्पन्न कर सकती है, कार्य तब काफी कठिन हो जाता है जब अनुरोधित गति कम सामान्य या व्यक्तियों के बीच अधिक परिवर्तनशील होती है। शोधकर्ताओं ने निष्कर्ष निकाला कि उनका नया तरीका रोबोटिक एक्सोस्केलेटन के लिए व्यक्तिगत मार्गदर्शक बनाने में आशाजनक है, जिससे ये मशीनें वास्तविक समय में रोगी की विशिष्ट आवश्यकताओं के अनुसार अनुकूलित हो सकती हैं। उन्होंने उल्लेख किया कि इस तकनीक को नैदानिक उपयोग के लिए तैयार करने के लिए, भविष्य के कार्यों को अन्य कारकों, जैसे कि चलने की गति और व्यक्तिगत शरीर के आयामों, को नियंत्रित करने और मानव चलने की शैलियों की पूरी श्रृंखला को संभालने की आवश्यकता होगी। फिलहाल, यह अध्ययन सिद्ध करता है कि डिफ्यूजन मॉडल केवल नकल करने से आगे बढ़कर ऐसे उपकरण बन सकते हैं जो मनुष्यों के चलने के नए, संभावित तरीके उत्पन्न कर सकते हैं, जो प्रत्येक व्यक्ति के शरीर की अनूठी ज्यामिति के अनुकूल हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।