The Impact of Gait Pattern Personalization on the Perception of Rigid Robotic Guidance: A Pilot User Experience Evaluation

Questo studio pilota rivela che, in un escheletro robotico, la personalizzazione dei pattern di deambulazione ha un impatto minimo sull'esperienza utente a breve termine rispetto all'effetto dominante dell'adattamento al sistema, suggerendo che i costi computazionali della personalizzazione potrebbero non essere giustificati senza considerare il feedback soggettivo e l'adattamento dell'utente.

L'essenziale

Immagina di dover imparare a guidare un'auto molto speciale: un'auto robotica che ti prende in braccio e ti fa camminare su un tapis roulant. Questo è quello che fa un esoscheletro, un "costume" robotico che aiuta le persone a muoversi.

Il Problema: "La Scarpa che non calza"

Di solito, questi robot camminano seguendo una "ricetta" standard. È come se tutti dovessero indossare la stessa scarpa, taglia 42, indipendentemente dal fatto che tu abbia un piede piccolo o grande, o che tu cammini veloce o lento.
I ricercatori si sono chiesti: "E se invece di usare una scarpa unica per tutti, creassimo una scarpa su misura, cucita esattamente sui piedi di ogni persona? Sarebbe più comodo? Si sentirebbe più naturale?"

L'Esperimento: La Gara delle Scarpe

Per scoprirlo, gli scienziati hanno invitato 10 persone sane (nessuno con problemi alle gambe) a provare un esoscheletro speciale, modificato per muovere anche il bacino e le anche in modo molto preciso.

Hanno fatto camminare queste persone in tre situazioni diverse, come se stessero provando tre tipi di scarpe:

1. La Scarpa Su Misura (Personalizzata): Il robot ha calcolato il passo perfetto per quella specifica persona, basandosi sulla sua altezza, peso, età e velocità.
2. La Scarpa Media (Standard): Il robot ha usato un passo "medio", fatto sommando i passi di tante persone diverse. È la ricetta classica.
3. La Scarpa a Sorpresa (Casuale): Il robot ha preso un passo a caso da un database, senza pensarci troppo.

Cosa hanno scoperto? (La Sorpresa)

Il risultato è stato un po' deludente, ma molto interessante. Non c'è stata una grande differenza.

Le persone non hanno detto: "Wow, la scarpa su misura è fantastica, mi sento come se fossi nudo!" né "La scarpa media fa male!".
Tutti e tre i tipi di scarpe sono stati percepiti in modo molto simile.

Perché?
Immagina di essere su un'altalena rigida che ti spinge avanti e indietro. Se l'altalena è molto rigida e ti spinge forte, non noti la differenza tra un'altalena che ti spinge con un passo "calcolato al millimetro" e una che ti spinge con un passo "medio". La rigidità del robot copre le piccole differenze.

Il vero segreto: L'abitudine

C'è stato però un fattore che ha fatto la differenza, ed è stato sorprendente: il tempo.
Le persone che hanno provato l'esperimento alla fine (il terzo giro) hanno detto: "È molto più comodo e naturale!" rispetto a chi lo ha provato all'inizio.

Non era perché la scarpa era cambiata, ma perché i piedi si erano abituati.
È come quando indossi un nuovo paio di jeans rigidi: la prima volta ti sembrano scomodi e strani. Dopo averli indossati per un po', ti ci abitui e ti sembrano normali. I partecipanti si sono "adattati" al robot, imparando a muoversi con lui, e questo ha reso l'esperienza migliore, indipendentemente dal tipo di passo che il robot imponeva.

Un altro dettaglio: La forza

C'è stato un piccolo indizio: quando il robot usava il passo "a caso" (quello che non aveva senso), le persone sentivano più forza e resistenza sulle ginocchia, come se il robot le stesse spingendo contro un muro. Ma tra la scarpa su misura e quella media, la differenza di forza era minima.

La Conclusione: Cosa ci insegna?

Questo studio ci dice due cose importanti:

1. Fare le scarpe su misura è difficile: Anche se la tecnologia per creare passi personalizzati esiste ed è precisa, per un utente sano e per un robot rigido, la differenza è sottile e difficile da notare subito.
2. L'abitudine è tutto: La cosa più importante per far sentire bene una persona con un robot non è tanto la perfezione matematica del passo, quanto il tempo che la persona passa a familiarizzare con la macchina.

In futuro, invece di cercare solo la "scarpa perfetta", gli ingegneri dovranno concentrarsi su come far abituare le persone al robot più velocemente e su come rendere il robot più morbido e flessibile, così che le differenze tra un passo e l'altro possano essere davvero sentite e apprezzate.

In sintesi: Non serve necessariamente un passo "perfetto su misura" per far sentire bene qualcuno; spesso, basta dargli il tempo di abituarsi al ritmo del robot!

Sommario tecnico

Titolo

L'impatto della personalizzazione del pattern di andatura sulla percezione della guida robotica rigida: una valutazione pilota dell'esperienza utente.

1. Il Problema

Gli esoscheletri per la deambulazione sono sempre più utilizzati per potenziare le prestazioni o assistere pazienti con deficit sensorimotori. Una strategia comune prevede l'imposizione di traiettorie articolari predefinite per guidare gli arti in un pattern cinematico "corretto". Tuttavia, il passo umano è intrinsecamente individuale, influenzato da età, genere, misure corporee e velocità.
Esistono metodi per generare pattern di andatura personalizzati (basati su modelli o apprendimento automatico), ma c'è una carenza di evidenze empiriche su come gli utenti percepiscano soggettivamente queste traiettorie robot-imposte. In particolare, non è chiaro se la personalizzazione migliori effettivamente l'esperienza utente (comfort, naturalezza, gradimento) rispetto a pattern standard o casuali, specialmente quando la guida robotica è rigida e potenzialmente in conflitto con il passo naturale dell'utente sano. Inoltre, il costo computazionale della personalizzazione deve essere giustificato da un reale beneficio soggettivo.

2. Metodologia

Lo studio è stato condotto come esperimento within-subject (soggetti interni) con 10 partecipanti sani (unimpaired).

• Hardware: È stato utilizzato un esoscheletrico per arti inferiori basato su tapis roulant, una versione modificata del Lokomat® sviluppato in collaborazione con Hocoma AG e il laboratorio SMS dell'ETH Zurigo.
  • Innovazioni meccaniche: Il sistema include 12 gradi di libertà (DoF), di cui 7 attuatori: flessione/estensione e abduzione/adduzione dell'anca, e movimenti traslazionali/rotazionali del bacino (incluso un modulo bacino compliant a 6 DoF con attuazione laterale).
  • Controllo: È stato utilizzato un controllore proporzionale-derivativo (PD) rigido per massimizzare la percezione delle differenze tra i pattern.
• Condizioni Sperimentali: I partecipanti hanno camminato per 2 minuti in tre condizioni diverse, con ordine pseudo-casualizzato:
  1. Pattern Personalizzato: Traiettorie di anca, ginocchio e bacino laterale generate da un modello di regressione basato su velocità, altezza, peso, età e genere.
  2. Pattern Standard: Media dei pattern del database di riferimento (adattata alla velocità).
  3. Pattern Casuale: Un pattern selezionato casualmente dal database pubblico (Fukuchi et al.), non adattato al partecipante ma fisiologicamente plausibile.
• Modelli di Predizione: Sono stati sviluppati modelli di regressione (basati su lavoro precedente di Koopman et al.) per prevedere i "key events" (eventi chiave) delle traiettorie articolari. Questi eventi sono stati interpolati con spline quintiche del 5° ordine per generare le traiettorie continue.
• Raccolta Dati:
  • Soggettivo: Questionari post-condizione su Enjoyment (Intrinsic Motivation Inventory), Comfort (domande su sforzo fisico, comfort generale), Naturalness (somiglianza al proprio passo) e Passività.
  • Oggettivo: Forze di interazione uomo-robot misurate ai sensori di forza delle caviglie (ginocchio) a 100 Hz.
• Analisi Statistica: Modelli lineari misti (LMM) per valutare l'effetto del pattern e dell'ordine delle prove, e test di Friedman con post-hoc Nemenyi per le classifiche.

3. Contributi Chiave

1. Sviluppo di un esoscheletrico avanzato: Presentazione di una piattaforma robotica modificata con attuatori attivi per l'abduzione/adduzione dell'anca e il movimento laterale del bacino, permettendo un'assistenza multi-piano più realistica.
2. Framework di personalizzazione data-driven: Implementazione e validazione di un modello di predizione che genera pattern di andatura personalizzati basati su dati antropometrici e demografici, estendendo i modelli esistenti per includere nuove DoF (bacino laterale).
3. Valutazione empirica dell'impatto soggettivo: Prima valutazione pilota che confronta direttamente l'esperienza utente tra pattern personalizzati, standard e casuali in un contesto di guida rigida, fornendo dati cruciali per giustificare (o meno) il costo della personalizzazione.

4. Risultati

• Accuratezza delle Traiettorie: Non sono state osservate grandi differenze di accuratezza (RMSE) tra i pattern personalizzati e quelli standard rispetto ai dati reali del database. Entrambi hanno mostrato errori simili.
• Esperienza Utente (Soggettiva):
  • Nessuna differenza significativa tra i pattern: Non ci sono state differenze statisticamente significative nei punteggi di Enjoyment, Comfort generale o Naturalness tra le condizioni Personalizzato, Standard e Casuale.
  • Effetto dell'Adattamento (Ordine): Il fattore dominante è stato l'ordine delle prove. La terza prova è stata valutata significativamente più comoda e naturale rispetto alla prima, indipendentemente dal pattern utilizzato. Questo indica un rapido adattamento degli utenti al sistema.
  • Sforzo Fisico: È stato rilevato uno sforzo fisico percepito leggermente superiore (ma significativo) nel pattern Personalizzato rispetto allo Standard, probabilmente dovuto alla mancanza di accoppiamento inter-articolare nel modello di predizione, ma questo non si è tradotto in forze di interazione significativamente diverse.
• Forze di Interazione:
  • Le forze di interazione al ginocchio sono state significativamente più alte per il pattern Casuale rispetto allo Standard.
  • La differenza tra Personalizzato e Standard non è stata significativa (sebbene tendesse ad essere più alta per il personalizzato).
• Preferenze: I partecipanti non hanno mostrato preferenze chiare tra i pattern quando li hanno classificati, ma hanno espresso alta fiducia nelle loro valutazioni.

5. Significato e Conclusioni

• Adattamento vs. Personalizzazione: Il risultato principale è che, in un contesto di guida rigida e su un campione di utenti sani, la personalizzazione delle cinematiche dell'andatura ha un impatto a breve termine minimo sull'esperienza utente rispetto all'effetto dominante dell'adattamento al sistema robotico. Gli utenti si adattano rapidamente (in pochi minuti) alla guida rigida, rendendo le sottili differenze tra i pattern meno percettibili.
• Limiti della Guida Rigida: La rigidità del controllo e la natura intrusiva dell'esoscheletrico potrebbero aver mascherato i benefici della personalizzazione. Gli utenti sani, con un passo naturale altamente ottimizzato, potrebbero essere più sensibili alla guida rigida in generale che alle variazioni specifiche del pattern.
• Implicazioni per il Futuro:
  • La personalizzazione potrebbe essere più efficace in contesti con pazienti che hanno gravi deficit sensorimotori, dove la guida rigida è rassicurante e necessaria.
  • Per gli utenti sani o per migliorare l'esperienza, potrebbero essere necessari controller più compliant (adattivi) o strategie di controllo "trajectory-free" che permettano variabilità naturale.
  • È fondamentale integrare il feedback soggettivo e considerare l'adattamento dell'utente nella progettazione dei controller robotici.
  • Futuri lavori dovrebbero esplorare interfacce più morbide, modelli di predizione che includano l'accoppiamento inter-articolare e database più diversificati.

In sintesi, lo studio suggerisce che investire nella complessità computazionale della personalizzazione delle traiettorie potrebbe non portare a benefici soggettivi immediati se non accompagnato da strategie di controllo più flessibili e da una considerazione profonda dell'adattamento dell'utente al dispositivo.