Diffusion-Based Generation of Gait Trajectories

Lopen is een prestatie van complexe coördinatie die het menselijk lichaam zonder bewust nadenken uitvoert, maar voor mensen met mobiliteitsbeperkingen kan dit natuurlijke ritme verloren of verstoord zijn. In het vakgebied van de revalidatierobotica werken wetenschappers aan het bouwen van draagbare machines, zoals exoskeletten, die kunnen helpen bij het herstellen van deze verloren beweging. Voor deze machines om effectief te werken, hebben ze een kaart nodig van hoe een persoon zou moeten bewegen. Deze kaart, bekend als een referentietraject, moet perfect worden afgestemd op de lichaamsvorm van het individu, hun specificiteit van de blessure en hun therapeutische doelen. Als de machine beweegt op een manier die onnatuurlijk aanvoelt of de unieke fysieke grenzen van de gebruiker negeert, kan dit oncomfortabel of zelfs schadelijk zijn. De uitdaging ligt in het creëren van deze bewegingskaarten on the fly, waarbij ze direct worden aangepast aan verschillende mensen en verschillende loopcondities, in plaats van te vertrouwen op rigide, vooraf geprogrammeerde sjablonen die er niet in slagen de nuance van de menselijke beweging te vangen.

Om dit op te lossen, heeft een team onderzoekers uit Spanje zich gericht op een type kunstmatige intelligentie dat bekend staat als een diffusiemodel. Stel je een proces voor waarbij een afbeelding langzaam wordt bedekt met statische ruis totdat deze onherkenbaar is, en de computer vervolgens leert dit proces om te keren, door de ruis stap voor stap te verwijderen om een helder beeld te onthullen. In deze studie pasten de onderzoekers dezelfde logica toe op de menselijke beweging. In plaats van pixels gebruikten ze datapunten die de hoeken van de gewrichten in de benen vertegenwoordigen. Ze trainden de computer op duizenden opgenomen loopcycli van gezonde vrijwilligers, waarbij de computer leerde de onderliggende patronen van een natuurlijke pas te begrijpen. Het doel was om te zien of de AI nieuwe, realistische looproutes kon genereren die niet alleen kopieën waren van de data die het had gezien, maar die in plaats daarvan werden aangepast aan specifieke instructies, zoals het nemen van een kortere of langere stap.

De onderzoekers testten twee verschillende benaderingen met behulp van data van 22 gezonde volwassenen die op twee verschillende tempo's liepen: een korte stap en een gemiddelde stap. De eerste benadering was een basismodel dat de algemene vorm van een wandeling leerde, maar geen manier had om precies te worden verteld hoe lang de stappen moesten zijn. Zoals verwacht produceerde dit model looppatronen die er echt uitzagen, maar het had de neiging om te bezinken op een gemiddelde staplengte, waardoor de specifieke vraag om met een kortere of langere pas te lopen effectief werd genegeerd. Het was als een muzikant die een liedje prachtig kon spelen, maar de stemming niet kon veranderen wanneer daarom werd gevraagd.

De tweede benadering, die het team ontwikkelde als een geavanceerdere versie, introduceerde een mechanisme om de output direct te controleren. Door de AI specifieke fysieke parameters te voeren, zoals de gewenste staplengte, leerde het model de gehele bewegingspatroon aan te passen om aan die instructie te voldoen. Bij tests genereerde dit controleerbare model looptrajecten die overeenkwamen met de gevraagde staplengtes. Voor de gemiddelde lengte van de stappen waren de gegenereerde bewegingen zeer nauwkeurig en kwamen ze nauw overeen met de echte menselijke data wat betreft gewrichtshoeken en de symmetrie tussen de linker- en rechterbenen. Het model produceerde een staplengte van ongeveer 68,6 centimeter, wat goed aansloot bij de doelstelling.

De resultaten waren echter niet perfect voor elke conditie. Wanneer de onderzoekers het model vroegen om zeer korte stappen te genereren, daalde de nauwkeurigheid. De AI produceerde stappen die korter waren dan de doelstelling, maar de bewegingen waren minder precies en vertoonden meer variatie van persoon tot persoon. De onderzoekers ontdekten dat dit kwam omdat korte stappen van nature minder consistent zijn tussen verschillende mensen; sommige mensen slepen, terwijl anderen kleine, snelle stappen zetten. Omdat de data voor korte stappen zo gevarieerd was, worstelde de AI om één duidelijk patroon te volgen en neigde het naar een middenweg. Dit resulteerde in een lichte onderschatting van hoeveel de gewrichten moesten bewegen, met name in de knie en de heup. Ondanks deze beperking toonde de studie aan dat het geavanceerde model de twee soorten wandelingen duidelijk van elkaar kon scheiden, terwijl het simpelere model het verschil helemaal niet kon onderscheiden.

De bevindingen suggereren dat hoewel kunstmatige intelligentie nu in staat is om zeer realistische en aanpasbare looproutes te genereren, de taak aanzienlijk moeilijker wordt wanneer de gevraagde beweging minder gebruikelijk of meer variabel is tussen individuen. De onderzoekers concludeerden dat hun nieuwe methode veelbelovend is voor het creëren van gepersonaliseerde gidsen voor robotische exoskeletten, waardoor deze machines zich in realtime aan de specifieke behoeften van een patiënt kunnen aanpassen. Ze merkten op dat voor de technologie klaar te zijn voor klinisch gebruik, toekomstig werk aandacht moet besteden aan hoe andere factoren, zoals loopsnelheid en individuele lichaamsafmetingen, gecontroleerd kunnen worden, en hoe de volledere reikwijdte van menselijke loopstijlen behandeld kan worden. Voor nu bewijst de studie dat diffusiemodellen verder kunnen gaan dan eenvoudige imitatie om instrumenten te worden die nieuwe, plausibele manieren kunnen genereren waarop mensen lopen, afgestemd op de unieke geometrie van het lichaam van elk persoon.