🤖 AI

Diffusion-Based Generation of Gait Trajectories

본 논문은 웨어러블 로보틱스 및 재활을 위한 기존의 수작업 방식에 대한 확장 가능한 대안으로서, 보폭과 같은 파라미터에 따라 조건화된 현실적이고 개인화된 하지 보행 궤적을 생성하기 위해 적응형 정규화와 분류기 없는 가이던스를 갖춘 제어 가능한 디퓨전 트랜스포머를 포함하는 조건부 디퓨전 모델을 제안하고 평가한다.

원저자: Damian Benasco, Juan Carballeira-Lopez, Jaime Ramos-Rojas, Julio S. Lora-Millan, Antonio J. Del-Ama, David Rodriguez-Cianca, Pablo Lanillos

게시일 2026-09-15

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Damian Benasco, Juan Carballeira-Lopez, Jaime Ramos-Rojas, Julio S. Lora-Millan, Antonio J. Del-Ama, David Rodriguez-Cianca, Pablo Lanillos

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

걷기는 인간의 몸이 의식적인 생각 없이 수행하는 복잡한 협응의 산물이지만, 운동 능력이 저하된 사람들에게는 이 자연스러운 리듬이 상실되거나 왜곡될 수 있습니다. 재활 로봇 공학 분야에서 과학자들은 이 상실된 움직임을 회복하는 데 도움을 줄 수 있는 외골격과 같은 착용형 기계를 제작하기 위해 노력하고 있습니다. 이러한 기계가 효과적으로 작동하려면 사람이 어떻게 움직여야 하는지에 대한 지도, 즉 참조 궤적이 필요합니다. 이 지도는 개인의 체형, 특정 부상, 그리고 치료 목표에 완벽하게 맞춰져야 합니다. 만약 기계가 부자연스럽게 느껴지거나 사용자의 고유한 신체적 한계를 무시하며 움직인다면, 이는 불편함을 주거나 심지어 해로울 수도 있습니다. 문제는 이러한 움직임의 지도를 실시간으로 생성하여, 인간의 움직임이 가진 미묘한 차이를 포착하지 못하는 경직되고 미리 프로그래밍된 템플릿에 의존하는 대신, 다양한 사람과 다양한 보행 조건에 즉각적으로 적응하도록 만드는 것입니다.

이를 해결하기 위해 스페인의 연구진은 확산 모델(diffusion model)이라 불리는 인공지능의 한 유형에 주목했습니다. 이미지가 서서히 정지된 노이즈(static noise)로 덮여 알아볼 수 없게 된 후, 컴퓨터가 그 과정을 역으로 수행하여 노이즈를 단계적으로 제거함으로써 선명한 이미지를 드러내는 과정을 상상해 보십시오. 이 연구에서 연구진은 이와 동일한 논리를 인간의 움직임에 적용했습니다. 픽셀 대신, 그들은 다리 관절의 각도를 나타내는 데이터 포인트를 사용했습니다. 연구진은 수천 건의 건강한 자원봉사자들의 보행 사이클 데이터를 바탕으로 컴퓨터를 학습시켜, 자연스러운 걸음걸이의 근저에 깔린 패턴을 이해하도록 가르쳤습니다. 목표는 AI가 단순히 본 데이터를 복제하는 것이 아니라, 더 짧거나 긴 보폭을 걷는 것과 같은 특정 지침에 따라 맞춤화된 새로운, 현실적인 보행 경로를 생성할 수 있는지 확인하는 것이었습니다.

연구진은 두 가지 뚜렷한 속도, 즉 짧은 보폭과 중간 보폭으로 걷는 22명의 건강한 성인으로부터 얻은 데이터를 사용하여 두 가지 서로 다른 접근 방식을 테스트했습니다. 첫 번째 접근 방식은 일반적인 보행의 형태를 학습하지만, 보폭이 정확히 얼마나 길어야 하는지 지시받을 방법이 없는 베이스라인 모델이었습니다. 예상대로, 이 모델은 실제와 같은 보행 패턴을 만들어냈지만, 특정 보폭 길이를 요구하는 요청을 무시하고 평균적인 보폭에 안착하는 경향을 보였습니다. 이는 마치 아름답게 곡을 연주할 수는 있지만, 요청을 받았을 때 템포를 바꿀 수는 없는 음악가와 같았습니다.

연구진이 더 발전된 버전으로 개발한 두 번째 접근 방식은 출력을 직접 제어할 수 있는 메커니즘을 도입했습니다. AI에 원하는 보폭 길이와 같은 구체적인 물리적 파라미터를 입력함으로써, 모델은 해당 지침에 맞춰 전체 움직임 패턴을 조정하는 법을 학습했습니다. 테스트 결과, 이 제어 가능한 모델은 요청된 보폭 길이에 부합하는 보행 궤적을 성공적으로 생성했습니다. 중간 길이의 보폭에 대해서는 생성된 움직임이 매우 정확했으며, 관절 각도와 좌우 다리의 대칭성 측면에서 실제 인간의 데이터와 밀접하게 일치했습니다. 모델은 약 68.6cm의 보폭을 생성했는데, 이는 목표치와 잘 일치했습니다.

그러나 모든 조건에서 결과가 완벽했던 것은 아닙니다. 연구진이 모델에게 매우 짧은 보폭을 생성하도록 요청했을 때 정확도가 떨어졌습니다. AI는 목표보다 짧은 보폭을 만들어냈지만, 움직임이 덜 정밀했고 사람마다 변동성이 더 크게 나타났습니다. 연구진은 이것이 짧은 보폭이 자연적으로 사람들 사이에서 더 일관성이 없기 때문이라는 것을 발견했습니다. 어떤 사람은 발을 끌며 걷고, 어떤 사람은 작고 빠른 걸음을 내딛기도 합니다. 짧은 보폭에 대한 데이터가 매우 다양했기 때문에, AI는 하나의 명확한 패턴을 따르는 데 어려움을 겪었고 중간 지점으로 회귀하는 경향을 보였습니다. 이로 인해 특히 무릎과 고관절에서 관절이 움직여야 하는 정도가 약간 과소평가되는 결과가 나타났습니다. 이러한 한계에도 불구하고, 이 연구는 발전된 모델이 두 가지 유형의 보행을 명확히 구분해 낼 수 있는 반면, 단순한 모델은 둘을 전혀 구분하지 못한다는 점을 입증했습니다.

이러한 결과는 인공지능이 이제 매우 현실적이고 맞춤화된 보행 경로를 생성할 수 있지만, 요청된 움직임이 덜 흔하거나 개인 간의 변동성이 큰 경우에는 작업이 훨씬 더 어려워진다는 것을 시사합니다. 연구진은 새로운 방법론이 로봇 외골격의 개인별 맞춤형 가이드를 만드는 데 유망하다고 결론지었으며, 이를 통해 기계가 환자의 특정 요구에 실시간으로 적응할 수 있게 할 수 있다고 언급했습니다. 연구진은 이 기술이 임상 현장에서 사용될 준비를 갖추기 위해서는 보행 속도나 개인의 신체 치수와 같은 다른 요소들을 어떻게 제어할 것인지, 그리고 인간의 다양한 보행 스타일 전체를 어떻게 다룰 것인지에 대한 향후 연구가 필요하다고 밝혔습니다. 현재로서는, 이 연구가 확산 모델이 단순한 모방을 넘어, 각 개인의 고유한 신체 기하학에 맞춰 새로운, 타당한 보행 방식을 생성할 수 있는 도구가 될 수 있음을 증명하고 있습니다.

기술 요약: 확산 기반 보행 궤적 생성

문제 정의
환자 특유의 파라미터에 따라 조건화된 근골격계 보행 궤적을 생성하는 것은 웨어러블 로보틱스 및 재활 분야에서 여전히 중요한 과제로 남아 있다. 보조 시스템, 특히 하지 외골격은 개별적인 형태학적 특성과 치료 목표에 적응하면서도 생체역학적 현실성을 유지하는 참조 궤적이 필요하다. 수작업으로 설계된 보행 템플릿이나 최적화 절차에 의존하는 전통적인 방식은 다양한 피험자와 보행 조건에 걸쳐 확장성이 떨어진다는 단점이 있다. 최근 강화 학습과 같은 AI 기반 방식이 적응형 제어에서 가능성을 보여주었고, 확산 모델(diffusion models)과 같은 생성 모델이 동작 합성에서 성공을 거두었으나, 물리적 파라미터에 조건화된 임상적 보행 생성에 대한 구체적인 적용은 여전히 미개척 영역이다.

방법론
저자들은 보행 합성을 노이즈 제거 확산 과정(denoising diffusion process)으로 프레임워크화하였으며, 22명의 건강한 피험자로부터 얻은 4,590개의 보행 주기 데이터셋을 사용하여 두 가지 서로 다른 모델 아키텍처를 제안한다. 데이터셋은 VICON 모션 캡처에서 유도된 21개의 하지 관절 각도와 생체역학적 키포인트를 포함하며, 두 가지 뚜렷한 보폭 클래스(짧은 보폭 < 48 cm, 중간 보폭 > 52 cm)로 분류된다.

베이스라인 모델: 키포인트 조건화된 트랜스포머 확산 모델(MDM 아키텍처를 따름)은 각 프레임을 토큰으로 취급한다. 이 모델은 채널 결합(channel concatenation)을 통해 생체역학적 키포인트 신호(보행 단계 펄스, 이벤트 마커)에 조건화되며, 500개의 타임스텝에 걸쳐 깨끗한 샘플을 예측한다.
제어 가능한 확산 트랜스포머 (DiT): 물리적 보행 파라미터(특히 보폭)에 대한 조건화를 가능하게 하기 위해, 저자들은 AdaLN-Zero를 포함하는 변형 모델을 도입하였다. 이 아키텍처에서는 타임스텝과 보행 파라미터 임베딩으로 구성된 벡터가 표준 레이어 정규화(layer normalization)를 대체하여, 매 레이어마다 이동(shift), 스케일(scale), 게이트 변조(gate modulation)를 생성한다. 물리적 파라미터는 모든 레이어에 주입되는 반면, 운동학적 펄스 조건화는 입력 단계에 머문다.
훈련 및 가이던스: DiT는 학습 가능한 널 임베딩(null embedding, 훈련 시 확률 $p=0.25$ 로 대체됨)을 활용한 **분류기 없는 가이던스(classifier-free guidance, CFG)**를 사용하여 생성을 제어한다. 훈련 목적 함수는 재구성( $L_{mse}$ ), 주기성( $L_{cyc}$ ), 매끄러움( $L_{vel}$ ), 그리고 순방향 운동학 발 궤적 항( $L_{fk}$ )을 결합한 복합 손실 함수( $L$ )를 최소화하며, 각 가중치는 커리큘럼 학습을 통해 점진적으로 조절된다.

주요 결과
본 연구는 피어슨 상관 계수( $R$ ), 정규화된 RMSE(NRMSE), 관절 가동 범위(ROM) 오차, 그리고 대칭 지수(SI)를 사용하여 모델을 평가한다.

베이스라인 성능: 베이스라인 모델은 일반적인 보행 역학을 포착하지만( $R=0.777$ ), 데이터셋의 평균 보폭(57.4 cm)으로 수렴하며 구체적인 제어 능력이 부족하다.
DiT 성능 (중간 보폭): DiT는 중간 보폭에 대해 높은 충실도를 달eric( $R=0.838$ , NRMSE=0.920)을 보였으며, 생성된 보폭은 68.6 cm였다. ROM 오차는 $\pm6^\circ$ 이내였으며, 대칭성이 잘 보존되었다.
DiT 성능 (짧은 보폭): 짧은 보폭에 대한 조건화는 운동학을 목표 평균치(36.4 cm, $R=0.813$ )로 성공적으로 이동시켰다. 그러나 이 클래스는 더 높은 오차(NRMSE=1.225)와 체계적인 ROM 과소평가(무릎 약 $10^\circ$ , 고관절 약 $6^\circ$ )를 보였다. 저자들은 이를 짧은 보폭에서의 피험자 간 변동성 증대(무릎 ROM 변동 계수 CoV $\approx 42\%$ vs 26%)와, MSE 기반 훈련을 받는 확산 모델이 평균으로 회귀하게 만드는 CFG 널 임베딩에 의한 편향 때문이라고 분석하였다.
대칭성: 중간 보폭 클래스에서는 대칭성이 유지되었으나, 짧은 보폭 클래스에서는 대칭성이 저하되었다(고관절/무릎 SI $\approx 16–17\%$ ).

의의 및 주장
본 논문은 확산 기반 모델이 현실적이고 주기적인 하지 보행 궤적을 생성할 수 있을 뿐만 아니라, 보폭과 같은 특정 보행 특성에 대한 제어를 가능하게 한다고 주장한다. 제안된 DiT 아키텍처는 적응형 외골격 컨트롤러를 위한 운동학적 참조를 생성하는 방법을 제공함으로써, 보조 로보틱스를 위한 개인 맞춤형 보행 합성의 잠재력을 입증한다.

그러나 저자들은 임상 현장 적용에 대해서는 신중한 입장을 유지한다. 그들은 보폭 하나만으로는 모든 임상적으로 유의미한 보행 패턴(예: 느린 셔플 보행과 빠른 짧은 보폭 보행은 보폭은 유사할 수 있으나 케이던스와 속도는 다를 수 있음)을 구분하기에 불충분하다고 지적한다. 따라서 본 연구는 확산 기반 보행 생성에 대한 개념 증명(proof of concept)으로 제시되었으며, 향후 연구를 통해 속도, 피험자 특유의 신체 치수, 그리고 연속적인 다중 파라미터 조건화에 대한 대응이 필요함을 명시하였다.

유사한 논문