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

Resumo Técnico: Personalização Contínua Online de Controle de Exoesqueleto via Replay de Experiência Consciente de Variedade (Manifold-Aware)

Definição do Problema
A personalização do controle de exoesqueletos para usuários clínicos, particularmente aqueles com deficiências de marcha, como a hemiplegia, continua sendo um desafio crítico. Embora a Adaptação Online (OA) ofereça uma solução ao ajustar os controladores em tempo real para a variabilidade do usuário e o ajuste do dispositivo, ela enfrenta o problema do esquecimento catastrófico. Em cenários de aprendizagem contínua, a adaptação a uma tarefa atual frequentemente causa a sobreposição de conhecimentos de contextos locomotor de tarefas previamente aprendidas. Os métodos de replay de experiência existentes em robótica vestível foram aplicados primariamente a próteses e dependem de rótulos de tarefas explícitos para organizar os buffers de replay. No entanto, na implantação de exoesqueletos no mundo real, os rótulos de tarefas são frequentemente indisponíveis e as modalidades de sensoriamento são mais esparsas do que em aplicações protéticas. Além disso, os frameworks atuais têm dificuldade em manter a estabilidade através de diversas tarefas locomotoras multimodais (ex: variações de velocidade e inclinação) sem rotulagem de contexto explícita.

Metodologia
Os autores propõem um framework de replay de experiência consciente de variedade (manifold-aware) projetado para personalizar um estimador da fase de marcha de um exoesqueleto de quadril para usuários com marcha hemiplegica emulada. O sistema opera em um exoesqueleto de quadril robótico equipado com encoders de quadril bilaterais e um controlador de borda (NVIDIA Jetson Orin Nano) executando uma arquitetura de software paralela.

1. Estimativa da Fase de Marcha: O controlador central é uma Rede Neural Convolucional Temporal (TCN) que estima a fase da marcha a partir de sinais de encoders de quadril bilaterais. A rede é pré-treinada em dados de indivíduos saudáveis e serve como a semente para a personalização online.
2. Estratégia de Adaptação Online (OA): O sistema atualiza o modelo a cada terceira batida de calcanhar. Para preservar características locomotoras gerais enquanto se adapta a traços específicos do usuário, os autores congelam os blocos de extração de características de alto nível da TCN e realizam apenas o ajuste fino (fine-tuning) da camada linear final que mapeia o espaço latente para a fase da marcha.
3. Replay Consciente de Variedade (Manifold-Aware Replay): Para prevenir o esquecimento catastrófico sem depender de rótulos de tarefas explícitos, o framework codifica uma variedade de marcha (gait manifold).
   • Construção do Espaço Latente: A Análise de Componentes Principais (PCA) é aplicada aos dados cinemáticos, retendo os dois primeiros componentes principais (responsáveis por 77% da variância) e a duração do ciclo de marcha como o terceiro eixo. Isso cria um espaço latente 3D onde diferentes tarefas (velocidades e inclinações) formam clusters distintos.
   • Agrupamento (Binning) e Seleção: Os dados recebidos são projetados neste espaço latente e discretizados em bins baseados em intervalos de grade; novos bins são criados para variedades não vistas, enquanto bins existentes são atualizados com dados recentes.
   • Mecanismo de Replay: Durante a adaptação, o sistema avalia o Erro Quadrático Médio (RMSE) de todos os bins. Ele seleciona os quatro melhores bins com a menor precisão (dentro de uma faixa específica de RMSE de 2,5%–20%) para combinar com os dados atuais para o backpropagation. Isso garante que o modelo revise tarefas aprendidas anteriormente que estão performando mal no momento, sem a necessidade de conhecer o rótulo específico da tarefa.

Principais Contribuições

• Replay Sem Rótulos: O framework elimina a necessidade de rotulagem explícita de tarefas durante a seleção do buffer de replay ao utilizar uma variedade de marcha derivada de dados cinemáticos.
• Aprendizagem Contínua Multimodal: Demonstra com sucesso a OA através de diversas tarefas locomotoras (variando velocidades e inclinações) para uma população clínica, um cenário anteriormente não abordado em estudos de exoesqueletos.
• Eficiência Arquitetural: Ao congelar o extrator de características e atualizar apenas a camada linear final, o sistema conserva recursos computacionais e reduz a latência de atualização, preservando características gerais da locomoção humana.
• Desempenho em Tempo Real: O sistema atinge uma latência de atualização média de aproximadamente 1,5 segundos, permitindo atualizações de rede responsivas às necessidades do usuário.

Resultos
O framework foi avaliado em nove sujeitos saudáveis emulando marcha hemiplegica (usando joelheiras e pistas de metrônomo para induzir assimetria) através de seis tarefas locomotoras envolvendo diferentes velocidades e inclinações. O experimento incluiu uma fase de personalização, uma fase de esquecimento (exposição a uma única tarefa) e uma fase de teste.

• Rastreamento de Torque: O framework de replay consciente de variedade alcançou uma melhoria de 40% na precisidade de rastreamento de torque (RMSE) em comparação com um framework de linha de base sem replay. As melhorias específicas variaram de 21% a 56%, dependendo do par de transição de tarefa.
• Estimativa da Fase de Marcha: O método proposto alcançou uma melhoria de 60% na precisidade de rastreamento da fase de marcha em comparação com a linha de base.
• Mitigação do Esquecimento: O framework de linha de base exibiu esquecimento catastrófico significativo durante as transições de tarefa, particularmente quando a velocidade mudava. O método proposto manteve o desempenho estável em todas as transições de tarefa.
• Latência: A latência de atualização estabilizou-se em cerca de 1,5 segundos com um máximo de quatro bins de replay, garantindo que o sistema permanecesse responsivo.

Significância e Alegações
O artigo afirma que este framework de replay consciente de variedade permite que os exoesqueletos entreguem assistência personalizada em tempo real através de diversos contextos locomotoros encontrados durante a deambulação diária. Ao abordar os desafios duplos do esquecimento catastrófico e da falta de rótulos de tarefas explícitos, o método permite uma adaptação contínua e estável aos padrões de marcha específicos do usuário. Os autores enfatizam que esta abordagem é particularmente vital para populações clínicas onde a variabilidade inter-sujeito é alta e o acesso a laboratórios de marcha para ajustes extensivos é limitado. O estudo conclui que o aproveitamento da variedade de marcha permite que o controlador mantenha a estabilidade entre as tarefas aprendidas enquanto se adapta a novas tarefas, um passo crucial para a implantação robusta de exoesqueletos no mundo real.