Diffusion-Based Generation of Gait Trajectories

Caminhar é um feito de coordenação complexa que o corpo humano realiza sem pensamento consciente, mas para pessoas com deficiências de mobilidade, esse ritmo natural pode ser perdido ou distorcido. No campo da robótica de reabilitação, cientistas estão trabalhando para construir máquinas vestíveis, como exoesqueletos, que possam ajudar a restaurar esse movimento perdido. Para que essas máquinas funcionem de forma eficaz, elas precisam de um mapa de como uma pessoa deve se mover. Este mapa, conhecido como uma trajetória de referência, deve ser perfeitamente adaptado ao formato do corpo do indivíduo, à sua lesão específica e aos seus objetivos terapêuticos. Se a máquina se mover de uma forma que pareça não natural ou ignore os limites físicos únicos do usuário, ela pode ser desconfortável ou até prejudicial. O desafio reside em criar esses mapas de movimento em tempo real, adaptando-os instantaneamente a diferentes pessoas e diferentes condições de caminhada, em vez de depender de modelos rígidos e pré-programados que falham em capturar a nuance do movimento humano.

Para resolver isso, uma equipe de pesquisadores da Espanha recorreu a um tipo de inteligência artificial conhecido como modelo de difusão. Imagine um processo onde uma imagem é lentamente coberta por ruído estático até se tornar irreconhecível, e então um computador aprende a reverter esse processo, removendo o ruído passo a passo para revelar uma imagem clara. Neste estudo, os pesquisadores aplicaram essa mesma lógica ao movimento humano. Em vez de pixels, eles usaram pontos de dados representando os ângulos das articulações das pernas. Eles treinaram o computador com milhares de ciclos de caminhada registrados de voluntários saudáveis, ensinando-o a entender os padrões subjacentes de uma passada natural. O objetivo era ver se a IA poderia gerar novos caminhos de caminhada realistas que não fossem apenas cópias dos dados que ela havia visto, mas que fossem, em vez disso, personalizados para instruções específicas, como dar um passo mais curto ou mais longo.

Os pesquisadores testaram duas abordagens diferentes usando dados de 22 adultos saudáveis que caminhavam em dois ritmos distintos: um passo curto e um passo médio. A primeira abordagem foi um modelo de base que aprendeu a forma geral de uma caminhada, mas não tinha uma maneira de ser instruído exatamente sobre o comprimento dos passos. Como esperado, este modelo produziu padrões de caminhada que pareciam reais, mas tendia a estabelecer um comprimento de passo médio, efetivamente ignorando o pedido específico para caminhar com uma passada mais curta ou mais longa. Era como um músico que consegue tocar uma música lindamente, mas não consegue mudar o tempo quando solicitado.

A segunda abordagem, que a equipe desenvolveu como uma versão mais avançada, introduziu um mecanismo para controlar a saída diretamente. Ao alimentar a IA com parâmetros físicos específicos, como o comprimento de passo desejado, o modelo aprendeu a ajustar todo o padrão de movimento para corresponder a essa instrução. Quando testado, este modelo controlável gerou trajetórias de caminhada que correspondiam aos comprimentos de passo solicitados. Para os passos de comprimento médio, os movimentos gerados foram altamente precisos, correspondendo de perto aos dados humanos reais em termos de ângulos articulares e simetria entre as pernas esquerda e direita. O modelo produziu um comprimento de passo de aproximadamente 68,6 centímetros, o que se alinhou bem com o alvo.

No entanto, os resultados não foram perfeitos para todas as condições. Quando os pesquisadores pediram ao modelo para gerar passos muito curtos, a precisão caiu. A IA produziu passos que eram mais curtos do que o alvo, mas os movimentos foram menos precisos e mostraram mais variação de pessoa para pessoa. Os pesquisadores descobriram que isso ocorreu porque os passos curtos são naturalmente mais inconsistentes entre diferentes pessoas; algumas pessoas arrastam os pés, enquanto outras dão passos pequenos e rápidos. Como os dados para passos curtos eram tão variados, a IA teve dificuldade em encontrar um padrão único e claro para seguir e tendeu a retornar a um meio termo. Isso resultou em uma leve subestimação de quanto as articulações deveriam se mover, particularmente no joelho e no quadril. Apesar dessa limitação, o estudo demonstrou que o modelo avançado podia separar claramente os dois tipos de caminhada, enquanto o modelo mais simples não conseguia distinguir entre eles de forma alguma.

As descobertas sugerem que, embora a inteligência artificial possa agora gerar caminhos de caminhada altamente realistas e personalizáveis, a tarefa torna-se significativamente mais difícil quando o movimento solicitado é menos comum ou mais variável entre os indivíduos. Os pesquisadores concluíram que seu novo método é promissor para a criação de guias personalizados para exoesqueletos robóticos, permitindo que essas máquinas se adaptem às necessidades específicas de um paciente em tempo real. Eles observaram que, para que a tecnologia esteja pronta para uso clínico, o trabalho futuro precisará abordar como controlar outros fatores, como a velocidade de caminhada e as dimensões corporais individuais, e como lidar com toda a gama de estilos de caminhada humana. Por enquanto, o estudo prova que os modelos de difusão podem ir além da simples imitação para se tornarem ferramentas que podem gerar novas e plausíveis formas de humanos caminharem, adaptadas à geometria única do corpo de cada pessoa.