Resumo Técnico: Rumo à Assistência de Exoesqueleto Sensível ao Contexto

Declaração do Problema

Os atuais exoesqueletos ativos de suporte lombar enfrentam limitações significativas de otimização e adaptação. Embora reduzam efetivamente a ativação muscular e as cargas espinhais, eles tipicamente dependem de mecanismos de detecção reativos que carecem de modulação de assistência sensível ao contexto. Existe uma lacuna crítica na integração de dados do usuário e do ambiente para controle de alto nível; especificamente, os sistemas existentes têm dificuldade em determinar níveis de suporte ideais com base na carga e na intenção do usuário. Além disso, as técnicas atuais de estimativa de carga frequentemente sofrem de latência, falhando em fornecer modulação de suporte antes da fase inicial de levantamento, onde ocorre o pico de ativação muscular das costas. Adicionalmente, uma abordagem de alta assistência do tipo "tamanho único" é subótima, pois pode causar desalinhamento articular, aumento do desconforto e redução da aceitabilidade, particularmente para cargas leves.

Metodologia

1. Espaço de Otimização Multimétrica

Os autores estabeleceram primeiro um framework de otimização derivado de população para definir a relação entre a carga ($P_{yl}$) e o nível de assistência ($A_s$).

• Coleta de Dados: Experimentos foram conduzidos com 12 sujeitos saudáveis realizando tarefas de levantamento em posição de flexão (stoop lifting) com pesos de 5 kg (leve), 10 kg (médio) e 15 kg (pesado) sob vários níveis de assistência (baixa, média, forte).
• Funções de Otimização (OF): Um espaço de otimização contínuo foi construído usando Processos Gaussianos com kernels de função de base radial. A função de otimização total ($J_{tot}$) combinou três métricas ponderadas:
  • Redução de EMG ($J_{EMG}$): Porcentagem de redução na atividade muscular das costas e das pernas (ponderação 0,6).
  • Desconforto Percebido ($J_{dsc}$): Derivado de um questionário ponderado avaliando forças, conforto e restrição de movimento (ponderação -0,2).
  • Preferência do Usuário ($J_{prf}$): Preferência subjetiva pelos níveis de assistência com base na carga (ponderação 0,2).
• Objetivo: Identificar uma relação não linear que defina o nível de assistência ideal para qualquer carga, equilibrando a redução muscular com o conforto e a preferência.

2. Pipeline de Controle Adaptativo Baseado em Visão Computacional

Para permitir uma assistência preditiva e sem latência, os autores desenvolveram uma estratégia de controle de alto nível utilizando visão computacional.

• Hardware: Uma câmera RGB e um sensor de profundidade ToF (Time-of-Flight) montados no quadril direito do exoesqueleto. Os dados são processados via um Raspberry Pi 4B, com o processamento pesado delegado a uma estação de trabalho na nuvem (chip Apple M3) para manter baixa latência (~100 ms de ponta a ponta).
• Detecção e Seleção de Objetos: Um modelo YOLOv11 ajustado detecta objetos. Um sensor ToF fornece dados de profundidade para calcular um fator de probabilidade ($\alpha_i$) para cada objeto, selecionando aquele com maior probabilidade de ser levantado com base na proximidade e no ângulo do campo de visão.
• Estimativa de Carga: A imagem do objeto selecionado é processada por um modelo de aprendizado profundo para classificar o peso em três categorias (leve, médio, pesado).
  • Comparação de Modelos: Os autores compararam MobileNetv2 (CNN) e DINOv2 (Vision Transformer).
  • Seleção: O DINOv2 foi selecionado por sua extração de características superior, capacidade de percepção de profundidade e habilidade de distinguir o primeiro plano do plano de fundo em cenários de caixas obstruídas ou transparentes.
• Integração de Controle: A classe de carga estimada escala o perfil de torque assistivo de baixo nível ($\tau_{adj} = \tau_{cmd} \cdot k_{pyl}$) em tempo real, ajustando o ganho de assistência antes do ciclo de levantamento começar.

3. Validação

Uma segunda coorte de 12 sujeitos validou o sistema em um ambiente dinâmico envolvendo tarefas de caminhada e levantamento. O desempenho foi medido via EMG (Erector Spinae e músculos das pernas), desconforto percebido e preferência do usuário, comparando o pipeline adaptativo contra uma linha de base de assistência estática e uma condição sem exoesqueleto.

Contribuições Principais

1. Definição do Espaço de Otimização: Formulação de um novo espaço de otimização multimétrico que revela uma relação não linear e independente do sujeito entre a carga e a assistência ideal. O estudo identifica que, embora a assistência alta reduza a ativação média das costas, ela pode aumentar a ativação de pico das pernas e o desconforto, necessitando de uma estratégia dependente da carga.
2. Pipeline Baseado em Visão: Desenvolvimento de um pipeline de controle preditivo e em tempo real usando DINOv2 e sensores de profundidade para estimar cargas antes do levantamento, eliminando efetivamente a latência de atuação.
3. Integração e Validação: Integração bem-sucedida do pipeline de visão no loop de controle do exoesqueleto, demonstrando melhor desempenho sobre as linhas de base estáticas sem aumentar o desconforto do usuário.
4. Lançamento Open-Source: Disponibilização de dados e código de código aberto para facilitar pesquisas futuras.

Resultados

• Tendências de Otimização: A análise dos dados de base confirmou que a assistência ideal aumenta não linearmente com a carga. Especificamente, a assistência baixa é ideal para cargas leves para minimizar a ativação muscular das pernas e o desconforto, enquanto a assistência forte é necessária para cargas pesadas para maximizar a redução muscular das costas.
• Desempenho do Modelo: O modelo de estimativa de carga baseado em DINOv2 demonstrou treinamento estável e melhorou a precisão de validação durante o treinamento offline (aumentando de 90,32% para 94,72%). Em testes em tempo real, o pipeline completo de controle adaptativo baseado em visão alcançou uma precisão de classificação geral de 82,41%, com taxas de precisão de 85,30%, 76,30% e 86,10% para as classes de peso leve, médio e pesado, respectivamente.
• Ativação Muscular: A estratégia adaptativa reduziu o pico de ativação muscular das costas em até 23% e melhorou o descarregamento médio em 8,15% em comparação com as linhas de base estáticas. Notavelmente, o controle adaptativo também reduziu o pico de ativação muscular das pernas para cargas médias, enquanto a assistência alta estática o aumentou.
• Desconforto e Preferência: Embora o desconforto percebido tenha mostrado um leve aumento com o controle adaptativo (devido à assistência mais alta em cargas pesadas), a análise estatística (Modelos de Efeitos Mistos Lineares) mostrou que não houve diferença significativa no desconforto geral entre as condições adaptativa e estática ($p=0,454$). No entanto, 83,33% dos sujeitos preferiram o controle adaptativo, valorizando o suporte sensível ao contexto.
• Significância Estatística: Modelos de Efeitos Mistos Lineares confirmaram um efeito principal altamente significativo do tipo de assistência ($p < 0,001$), com a assistência adaptativa proporcionando uma redução 8,15% maior na atividade muscular das costas do que a assistência estática.

Significância e Alegações

O artigo afirma fornecer a primeira análise sistemática e empírica do cenário multimétrico para assistência de exoesqueleto lombar, demonstrando que o nível de suporte ideal segue uma tendência não linear que não pode ser inferida apenas pela intuição. Os autores afirmam que sua abordagem estabelece novos marcos para exoesqueletos ativos de suporte lombar ao:

• Permitir a percepção preditiva para modular o suporte antes do ciclo de levantamento, abordando o problema crítico de latência dos sistemas reativos.
• Alcançar uma otimização independente do sujeito através de um framework derivado de população.
• Demonstrar que o controle adaptativo sensível ao contexto oferece um equilíbrio superior entre eficácia biomecânica e conforto do usuário em comparação com estratégias estáticas ou passivas.

O estudo conclui que exoesqueletos ativos com modulação preditiva e sensível ao contexto são preferíveis aos sistemas passivos ou estáticos para otimizar o desempenho em cenários industriais variáveis. Os autores reconhecem limitações, incluindo a dependência de caixas transparentes para treinamento e processamento em nuvem, e sugerem que trabalhos futuros devem focar em computação de borda (edge computing), fusão de sensores para objetos opacos e testes em diversos ambientes industriais.