Diffusion-Based Generation of Gait Trajectories

Camminare è un'impresa di complessa coordinazione che il corpo umano compie senza pensiero conscio, eppure per le persone con disabilità motorie questo ritmo naturale può andare perduto o risultare distorto. Nel campo della robotica riabilitativa, gli scienziati stanno lavorando per costruire macchine indossabili, come gli esoscheletri, che possano aiutare a ripristinare questo movimento perduto. Affinché queste macchine funzionino efficacemente, hanno bisogno di una mappa di come una persona debba muoversi. Questa mappa, nota come traiettoria di riferimento, deve essere perfettamente adattata alla forma del corpo dell'individuo, alla sua specifica lesione e ai suoi obiettivi terapeutici. Se la macchina si muove in un modo che sembra innaturale o ignora i limiti fisici unici dell'utente, può risultare scomoda o persino dannosa. La sfida consiste nel creare queste mappe di movimento "al volo", adattandole istantaneamente a persone diverse e diverse condizioni di camminata, piuttosto che fare affidamento su modelli rigidi e pre-programmati che non riescono a catturare la sfumatura del movimento umano.

Per risolvere questo problema, un team di ricercatori spagnoli si è rivolto a un tipo di intelligenza artificiale noto come modello di diffusione. Immaginate un processo in cui un'immagine viene lentamente coperta da rumore statico fino a diventare irriconoscibile, e poi un computer impara a invertire quel processo, rimuovendo il rumore passo dopo passo per rivelare un'immagine nitida. In questo studio, i ricercatori hanno applicato questa stessa logica al movimento umano. Invece dei pixel, hanno utilizzato punti dati che rappresentano gli angoli delle articolazioni delle gambe. Hanno addestrato il computer su migliaia di cicli di camminata registrati da volontari sani, insegnandogli a comprendere i modelli sottostanti di un passo naturale. L'obiettivo era vedere se l'IA potesse generare nuovi percorsi di camminata realistici che non fossero semplici copie dei dati posseduti, ma che fossero invece personalizzati in base a istruzioni specifiche, come fare un passo più corto o più lungo.

I ricercatori hanno testato due approcci diversi utilizzando i dati di 22 adulti sani che camminavano a due ritmi distinti: un passo corto e un passo medio. Il primo approccio era un modello di base che apprendeva la forma generale di una camminata, ma non aveva un modo per essere istruito esattamente su quanto dovessero essere lunghi i passi. Come previsto, questo modello produceva schemi di camminata che sembravano reali, ma tendeva a stabilizzarsi su una lunghezza del passo media, ignorando di fatto la specifica richiesta di camminare con un passo più corto o più lungo. Era come un musicista che sa suonare una canzone magnificamente, ma non riesce a cambiare tempo quando richiesto.

Il secondo approccio, che il team ha sviluppato come una versione più avanzata, ha introdotto un meccanismo per controllare direttamente l'output. Alimentando l'IA con parametri fisici specifici, come la lunghezza desiderata del passo, il modello ha imparato ad adattare l'intero schema di movimento per corrispondere a tale istruzione. Durante i test, questo modello controllabile ha generato con successo traiettorie di camminata che corrispondevano alle lunghezze dei passi richieste. Per i passi di lunghezza media, i movimenti generati erano altamente accurati, corrispondendo strettamente ai dati umani reali in termini di angoli articolari e simmetria tra le gamba destra e sinistra. Il modello ha prodotto una lunghezza del passo di circa 68,6 centimetri, il che si allineava bene con l'obiettivo.

Tuttavia, i risultati non erano perfetti per ogni condizione. Quando i ricercatori hanno chiesto al modello di generare passi molto corti, l'accuratezza è diminuita. L'IA ha prodotto passi più corti rispetto all'obiettivo, ma i movimenti erano meno precisi e mostravano una maggiore variazione da persona a persona. I ricercatori hanno scoperto che ciò era dovuto al fatto che i passi brevi sono naturalmente più inconsistenti tra le diverse persone; alcuni trascinano i piedi, mentre altri fanno piccoli passi rapidi. Poiché i dati per i passi brevi erano così variabili, l'IA faticava a trovare un modello unico e chiaro da seguire e tendeva a tornare verso una via di mezzo. Ciò ha comportato una leggera sottostima di quanto le articolazioni dovessero muoversi, in particolare nel ginocchio e nell'anca. Nonostante questa limitazione, lo studio ha dimostrato che il modello avanzato poteva separare chiaramente i due tipi di camminata, mentre il modello più semplice non riusciva affatto a distinguerli.

I risultati suggeriscono che, sebbene l'intelligenza artificiale possa ora generare percorsi di camminata altamente realistici e personalizzabili, il compito diventa significativamente più difficile quando il movimento richiesto è meno comune o più variabile tra gli individui. I ricercatori hanno concluso che il loro nuovo metodo è promettente per la creazione di guide personalizzate per gli esoscheletri robotici, permettendo a queste macchine di adattarsi alle esigenze specifiche di un paziente in tempo reale. Hanno osservato che, affinché la tecnologia sia pronta per l'uso clinico, il lavoro futuro dovrà affrontare il modo in cui controllare altri fattori, come la velocità del cammino e le dimensioni corporee individuali, e come gestire l'intera gamma di stili di camminata umana. Per ora, lo studio dimostra che i modelli di diffusione possono andare oltre la semplice imitazione per diventare strumenti in grado di generare nuovi, plausibili modi per gli esseri umani di camminare, su misura per la geometria unica del corpo di ciascuno.