Diffusion-Based Generation of Gait Trajectories
本文提出并评估了条件扩散模型，具体为一种具有自适应归一化和无分类器引导的可控扩散 Transformer，用于生成以步长等参数为条件的逼真且个性化的下肢步态轨迹，为可穿戴机器人和康复领域提供了一种替代传统手工设计方法的具可扩展性的方案。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
行走是人体在无意识状态下完成的一种复杂的协调行为，然而对于行动不便的人群来说，这种自然的节奏可能会丧失或发生扭曲。在康复机器人领域，科学家们正致力于制造可穿戴机器（如外骨骼），以帮助恢复这种丧失的运动能力。为了让这些机器有效工作，它们需要一张关于人应该如何运动的地图。这张被称为“参考轨迹”的地图，必须完美地根据个人的体型、特定的损伤以及治疗目标进行定制。如果机器的运动方式感觉不自然，或者忽略了用户独特的身体限制，可能会导致不适甚至造成伤害。挑战在于如何即时创建这些运动地图，使其能够针对不同的人和不同的行走条件进行即时调整，而不是依赖于那些无法捕捉人类运动细微差别的僵化、预设的模板。
为了解决这个问题，来自西班牙的一个研究小组转向了一种被称为“扩散模型”的人工智能技术。想象一下这样一个过程：一张图像被逐渐覆盖上静态噪声，直到变得无法辨认，然后计算机学习如何逆转这个过程，通过逐步去除噪声来显现出一幅清晰的图像。在这项研究中，研究人员将同样的逻辑应用于人类运动。他们使用的不是像素，而是代表腿部关节角度的数据点。他们利用数千个来自健康志愿者的步行周期数据对计算机进行了训练，教会它理解自然步态的潜在模式。其目标是观察人工智能是否能够生成新的、真实的行走路径，这些路径不仅是所见数据的简单复制，而是能够根据特定指令（例如迈出更短或更长的步幅）进行定制。
研究人员使用来自22名健康成年人在两种不同步速（短步幅和中等步幅）下的数据，测试了两种不同的方法。第一种方法是一个基准模型，它学习了步行的总体形状，但没有办法被明确告知步幅的具体长度。正如预期的那样，该模型产生的步行模式看起来很真实，但它往往会趋向于一个平均步长，实际上忽略了关于走短步或长步的具体要求。这就像一位音乐家可以把曲子演奏得非常优美，但当被要求改变节奏时却做不到。
第二种方法是研究团队开发的更先进的版本，它引入了一种直接控制输出的机制。通过向人工智能输入特定的物理参数（例如期望的步长），该模型学会了调整整个运动模式以匹配该指令。在测试中，这种可控模型成功生成了与请求步长相匹配的行走轨迹。对于中等长度的步幅，生成的运动高度准确，在关节角度和左右腿对称性方面都与真实的真人数据紧密契合。该模型产生的步长约为68.6厘米，与目标值吻合良好。
然而，结果并非在所有条件下都完美无缺。当研究人员要求模型生成极短的步幅时，准确度下降了。人工智能生成的步幅虽然比目标值短，但动作的精确度较低，且表现出更多的人与人之间的差异。研究人员发现，这是因为短步在不同人之间天然具有更高的不一致性：有些人是拖着脚走，而有些人则是迈着小而快的步子。由于短步的数据如此多样化，人工智能难以找到一个单一且清晰的模式来遵循，并倾向于回归到中间值。这导致了对关节运动程度（特别是膝关节和髋关节）的轻微低估。尽管存在这一局限性，研究仍证明了这种先进模型可以清晰地分离两种类型的行走，而较简单的模型则完全无法区分它们。
研究结果表明，虽然人工智能现在可以生成高度逼真且可定制的行走路径，但当请求的运动不太常见或在个体间差异较大时，任务会变得显著困难。研究人员得出结论，他们的新方法有望为机器人外骨骼创建个性化的引导，使这些机器能够实时适应患者的具体需求。他们指出，为了使该技术达到临床应用水平，未来的工作需要解决如何控制其他因素（如步行速度和个体身体尺寸），以及如何处理人类行走风格的全谱系。目前，这项研究证明了扩散模型可以超越简单的模仿，成为能够生成新的、合理的、且符合每个人独特身体几何结构的行走方式的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。