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

Technische Samenvatting: Continue Online Personalisatie van Exoskeletcontrole via Manifold-bewuste Experience Replay

Probleemstelling
Het personaliseren van de controle van exoskeletten voor klinische gebruikers, in het bijzonder voor gebruikers met loopstoornissen zoals hemiplegie, blijft een kritieke uitdaging. Hoewel Online Adaptatie (OA) een oplossing biedt door controllers in realtime aan te passen aan de variabiliteit van de gebruiker en de pasvorm van het apparaat, kampt het met het probleem van catastrofale vergetelheid (catastrophic forgetting). In scenario's van continu leren veroorzaakt het aanpassen aan een huidige taak vaak het overschrijven van kennis van eerder geleerde locomotiecontexten. Bestaande experience replay-methoden in de draagbare robotica zijn voornamelijk toegepast op protheses en vertrouwen op expliciete taallabels om replay-buffers te organiseren. Echter, bij de inzet van exoskeletten in de echte wereld zijn taallabels vaak niet beschikbaar en zijn de sensorische modaliteiten schaarser dan in prothetische toepassingen. Bovendien worstelen huidige frameworks met het handhaven van stabiliteit over diverse, multimodale locomotie-taken (bijv. variërende snelheden en hellingen) zonder expliciete contextlabels.

Methodologie
De auteurs stellen een manifold-bewust experience replay-framework voor, ontworpen voor het personaliseren van een fase-estimator van de heup tijdens de loopcyclus voor gebruikers met een gesimuleerde hemiplegische gang. Het systeem werkt op een robotisch heupexoskelet uitgerust met bilaterale heupencoders en een edge-controller (NVIDIA Jetson Orin Nano) die een geparalleliseerde softwarearchitectuur uitvoert.

1. Gait Phase Estimation (Loopfase-inschatting): De kerncontroller is een Temporal Convolutional Network (TCN) die de loopfase schat op basis van bilaterale heupencoder-signalen. Het netwerk is vooraf getraind op data van gezonde personen en dient als de 'seed' voor online personalisatie.
2. Online Adaptatie (OA) Strategie: Het systeem werkt het model bij elke derde hielslag bij. Om algemene locomotiekenmerken te behouden terwijl er wordt geadapteerd aan gebruikersspecifieke kenmerken, hebben de auteurs de high-level TCN feature-extractieblokken bevroren en finetunen zij alleen de laatste lineaire laag die de latente ruimte naar de loopfase mapt.
3. Manifold-bewuste Replay: Om catastrofale vergetelheid te voorkomen zonder afhankelijk te zijn van expliciete taallabels, codeert het framework een gait manifold (loop-manifold).
   • Latente Ruimte Constructie: Principal Component Analysis (PCA) wordt toegepast op kinematische data, waarbij de eerste twee hoofdcomponenten (die 77% van de variantie verklaren) en de duur van de loopcyclus als derde as worden behouden. Dit creëert een 3D latente ruimte waar verschillende taken (snelheden en hellingen) zich vormen als afzonderlijke clusters.
   • Binning en Selectie: Inkomende data worden geprojecteerd in deze latente ruimte en gediscretiseerd in bins op basis van roosterintervallen. Nieuwe bins worden aangemaakt voor onbekende manifolds, terwijl bestaande bins worden bijgewerkt met recente data.
   • Replay Mechanisme: Tijdens de adaptatie evalueert het systeem de Root Mean Square Error (RMSE) van alle bins. Het selecteert de top vier bins met de laagste nauwkeurigheid (binnen een specifieke RMSE-range van 2,5%–20%) om te combineren met de huidige data voor backpropagation. Dit zorgt ervoor dat het model eerder geleerde taken die momenteel slecht presteren herhaalt, zonder dat het de specifieke taallabel hoeft te kennen.

Belangrijkste Bijdragen

• Label-vrije Replay: Het framework elimineert de noodzaak voor expliciete taallabels tijdens de selectie van de replay-buffer door gebruik te maken van een gait manifold afgeleid van kinematische data.
• Multimodale Continuele Learning: Het demonstreert succesvol OA over diverse locomotie-taken (variërende snelheden en hellingen) voor een klinische populatie, een scenario dat voorheen onbehandeld bleef in exoskeletstudies.
• Architecturale Efficiëntie: Door de feature extractor te bevriezen en alleen de laatste lineaire laag bij te werken, bespaart het systeem computationele middelen en vermindert het de update-latentie, terwijl algemene menselijke locomotiekenmerken behouden blijven.
• Real-time Prestaties: Het systeem bereikt een gemiddelde update-latentie van ongeveer 1,5 seconde, wat snelle netwerkupdates mogelijk maakt die reageren op de behoeften van de gebruiker.

Resultaten
Het framework werd geëvalueerd op negen gezonde proefpersonen die een hemiplegische gang simuleerden (met behulp van kniebraces en metronoom-signalen om asymmetrie op te wekken) over zes locomotie-taken met verschillende snelheden en hellingen. Het experiment omvatte een personalisatiefase, een vergeetfase (blootstelling aan een enkele taak) en een testfase.

• Torque Tracking (Koppelvolging): Het manifold-bewuste replay-framework bereikte een verbetering van 40% in de nauwkeurigheid van de koppelvolging (RMSE) vergeleken met een baseline-framework zonder replay. Specifieke verbeteringen varieerden van 21% tot 56%, afhankelijk van de taakovergang.
• Gait Phase Estimation (Loopfase-inschatting): De voorgestelde methode bereikte een verbetering van 60% in de nauwkeurigheid van de loopfase-tracking vergeleken met de baseline.
• Mitigatie van Vergetelheid: Het baseline-framework vertoonde significante catastrofale vergetelheid tijdens taakovergangen, met name wanneer de snelheid veranderde. De voorgestelde methode behield een stabiele prestatie over alle taakovergangen.
• Latentie: De update-latentie vlakte af op ongeveer 1,5 seconde met een maximum van vier replay-bins, waardoor het systeem responsief bleef.

Betekenis en Claims
Het artikel claimt dat dit manifold-bewuste replay-framework exoskeletten in staat stelt om gepersonaliseerde assistentie in realtime te leveren over diverse locomotiecontexten die voorkomen tijdens dagelijkse ambulatie. Door zowel de uitdagingen van catastrofale vergetelheid als het gebrek aan expliciete taallabels aan te pakken, stelt de methode het systeem in staat tot stabiele, continue adaptatie aan gebruikersspecifieke looppatronen. De auteurs benadrukken dat deze aanpak bijzonder cruciaal is voor klinische populaties waar de inter-subject variabiliteit hoog is en de toegang tot looplaboratoria voor uitgebreide afstelling beperkt is. De studie concludeert dat het benutten van de gait manifold de controller in staat stelt om stabiliteit te behouden over geleerde taken terwijl er tegelijkertijd wordt geadapteerd aan nieuwe taken, wat een cruciale stap is richting robuuste, real-world inzet van exoskeletten.