Génération de trajectoires de marche par diffusion

Un article publié sur arXiv (référence 2609.14642v1) décrit une méthode de génération de trajectoires de démarche musculo-squelettique par modèles de diffusion conditionnels, destinée aux exosquelettes des membres inférieurs et à la rééducation. Les auteurs génèrent des trajectoires d'angles articulaires conditionnées par des paramètres de marche comme la longueur de pas, et comparent un modèle de diffusion par transformeur de référence à une variante contrôlable ajoutant normalisation adaptative et guidage sans classifieur. Les expériences s'appuient sur un jeu de données de 4 590 cycles de marche, dont les résultats montrent des trajectoires périodiques jugées réalistes, avec une contrôlabilité partielle des caractéristiques de la démarche.

Pour les fabricants d'exosquelettes et les équipes de rééducation, l'enjeu est concret: les trajectoires de référence reposent aujourd'hui sur des gabarits construits à la main ou des optimisations coûteuses, qui se généralisent mal d'un patient ou d'une condition de marche à l'autre. Une génération conditionnelle capable de s'adapter à la morphologie et aux objectifs thérapeutiques sans reconstruire un modèle par cas pourrait accélérer la personnalisation des dispositifs assistifs, et confirme la diffusion des modèles de diffusion, déjà répandus en génération d'images et en robotique manipulatrice, vers la biomécanique. Les auteurs restent prudents: la contrôlabilité reste partielle, sans test sur exosquelette physique ni comparaison chiffrée avec les méthodes existantes, ce qui en fait une preuve de concept en simulation plutôt qu'un système validé cliniquement.

Ce travail s'inscrit dans la synthèse de mouvement humain par apprentissage profond, où les modèles de diffusion tendent à remplacer les approches d'optimisation biomécanique classiques comme la dynamique inverse ou les modèles musculo-squelettiques type OpenSim. Le choix d'un transformeur de diffusion et d'un guidage sans classifieur rapproche la méthode des techniques de génération d'images conditionnelle et des modèles vision-langage-action récemment déployés en robotique humanoïde. Publié en soumission croisée sur arXiv, l'article ne mentionne aucun industriel de l'exosquelette ni partenariat clinique; les suites attendues pour ce type de recherche sont une validation sur des cohortes de patients réels, l'extension à d'autres paramètres de démarche que la longueur de pas, et une intégration aux boucles de contrôle temps réel des exosquelettes commerciaux.