Continual Online Personalization of Exoskeleton Control via Manifold-Aware Experience Replay

Sintesi Tecnica: Personalizzazione Continua Online del Controllo di un Esoscheletro tramite Experience Replay Consapevole del Manifold

Definizione del Problema
La personalizzazione del controllo di un esoscheletro per utenti clinici, in particolare per quelli con disabilità del cammino come l'emiplegia, rimane una sfida critica. Sebbene l'Adattamento Online (OA) offra una soluzione permettendo di regolare i controllori in tempo reale rispetto alla variabilità dell'utente e all'adattamento del dispositivo, esso affronta il problema dell'oblio catastrofico (catastrophic forgetting). In scenari di apprendimento continuo, l'adattamento a un compito attuale può causare la sovrascrittura delle conoscenze relative ai contesti locomotorii appresi precedentemente. Gli esistenti metodi di experience replay applicati alla robotica indossabile sono stati utilizzati principalmente per le protesi e si affidano a etichette di compito esplicite per organizzare i buffer di replay. Tuttavia, nell'impiego di esoscheletri nel mondo reale, le etichette dei compiti sono spesso non disponibili e le modalità di sensing sono più scarse rispetto alle applicazioni protesiche. Inoltre, gli attuali framework faticano a mantenere la stabilità attraverso diversi compiti locomotori multimodali (ad esempio, velocità e pendenze variabili) senza un'etichettatura esplicita del contesto.

Metodologia
Gli autori propongono un framework di experience replay consapevole del manifold progettato per personalizzare un estimatore della fase del cammino di un esoscheletro per l'anca, destinato a utenti con cammino emiplegico emulato. Il sistema opera su un esoscheletro per l'anca robotico dotato di encoder bilaterali dell'anca e un controller edge (NVIDIA Jetson Orin Nano) che esegue un'architettura software parallelizzata.

1. Stima della Fase del Cammino: Il controllore principale è una Rete Convoluzionale Temporale (TCN) che stima la fase del cammino dai segnali degli encoder dell'anca bilaterali. La rete è pre-addestrata su dati di soggetti sani e funge da base (seed) per la personalizzazione online.
2. Strategia di Adattamento Online (OA): Il sistema aggiorna il modello ogni terzo impatto del tallone (heel strike). Per preservare le caratteristiche locomotorie generali pur adattandosi ai tratti specifici dell'utente, gli autori congelano i blocchi di estrazione delle caratteristiche TCN di alto livello e perfezionano (fine-tuning) solo l'ultimo strato lineare che mappa lo spazio latente alla fase del cammino.
3. Replay Consapevole del Manifold: Per prevenire l'oblio catastrofico senza fare affidamento su etichette di compito esplicite, il framework codifica un manifold del cammino.
   • Costruzione dello Spazio Latente: L'Analisi delle Componenti Principali (PCA) viene applicata ai dati cinematici, mantenendo le prime due componenti principali (che spiegano il 77% della varianza) e la durata del ciclo del cammino come terza asse. Questo crea uno spazio latente 3D dove diversi compiti (velocità e pendenze) formano cluster distinti.
   • Suddivisione in Bin (Binning) e Selezione: I dati in entrata vengono proiettati in questo spazio latente e discretizzati in bin basati su intervalli di griglia. Nuovi bin vengono creati per i manifold non visti, mentre i bin esistenti vengono aggiornati con dati recenti.
   • Meccanismo di Replay: Durante l'adattamento, il sistema valuta l'Errore Quadratico Medio (RMSE) di tutti i bin. Seleziona i quattro bin con l'accuratezza inferiore (entro un intervallo specifico di RMSE tra il 2,5% e il 20%) per combinarli con i dati correnti per la backpropagation. Ciò assicura che il modello ripassi i compiti precedentemente appresi che stanno performando male, senza la necessità di conoscere l'etichetta specifica del compito.

Contributi Chiave

• Replay Senza Etichette: Il framework elimina la necessità di etichettatura esplicita dei compiti durante la selezione del buffer di replay, utilizzando un manifold del cammino derivato dai dati cinematici.
• Apprendimento Continuo Multimodale: Dimostra con successo l'OA attraverso diversi compiti locomotori (velocità e pendenze variabili) per una popolazione clinica, uno scenario precedentemente non affrontato negli studi sugli esoscheletri.
• Efficienza Architetturale: Congelando l'estrattore di caratteristiche e aggiornando solo l'ultimo strato lineare, il sistema conserva le risorse computazionali e riduce la latenza di aggiornamento, preservando al contempo le caratteristiche generali della locomozione umana.
• Prestazioni in Tempo Reale: Il sistema raggiunge una latenza di aggiornamento media di circa 1,5 secondi, consentendo aggiornamenti di rete rapidi e rispondenti alle esigenze dell'utente.

Risultati
Il framework è stato valutato su nove soggetti sani che emulavano un cammino emiplegico (utilizzando tutori per le ginocchia e stimoli del metronomo per indurre asimmetria) attraverso sei compiti locomotori che coinvolgevano diverse velocità e pendenze. L'esperimento includeva una fase di personalizzazione, una fase di dimenticanza (esposizione a un singolo compito) e una fase di test.

• Tracciamento della Coppia (Torque Tracking): Il framework di replay consapevole del manifold ha ottenuto un miglioramento del 40% nell'accuratezza del tracciamento della coppia (RMSE) rispetto a un framework di base senza replay. I miglioramenti specifici sono variati dal 21% al 56% a seconda della coppia di transizione del compito.
• Stima della Fase del Cammino: Il metodo proposto ha ottenuto un miglioramento del 60% nell'accuratezza del tracciamento della fase del cammino rispetto al baseline.
• Mitigazione dell'Oblio: Il framework di base ha mostrato un significativo oblio catastrofico durante le transizioni di compito, in particolare quando la velocità cambiava. Il metodo proposto ha mantenuto prestazioni stabili attraverso tutte le transizioni di compito.
• Latenza: La latenza di aggiornamento si è stabilizzata a circa 1,5 secondi con un massimo di quattro bin di replay, garantendo che il sistema rimanesse reattivo.

Significatività e Rivendicazioni
Il documento afferma che questo framework di replay consapevole del manifold consente agli esoscheletri di fornire assistenza personalizzata in tempo reale attraverso diversi contesti locomotori incontrati durante l'ambulazione quotidiana. Affrontando le doppie sfide dell'oblio catastrofico e della mancanza di etichette esplicite dei compiti, il metodo permette un adattamento continuo e stabile ai pattern di cammino specifici dell'utente. Gli autori sottolineano che questo approccio è particolarmente vitale per le popolazioni cliniche dove la variabilità inter-soggetto è alta e l'accesso ai laboratori di analisi del cammino per una calibrazione estesa è limitato. Lo studio conclude che sfruttare il manifold del cammino consente al controllore di mantenere la stabilità tra i compiti appresi pur adattandosi a quelli nuovi, un passo cruciale verso un dispiegamento robusto degli esoscheletri nel mondo reale.