Hace unas semanas subimos a nuestra web el artículo “Human-in-the-loop optimisation in robot-assisted gait training”, del SLMC Group de la University of Edinburgh. Éste analiza cómo personalizar la asistencia robótica durante la marcha. El estudio utiliza el exoesqueleto Exo-H3 de Technaid como plataforma experimental. El foco está en ajustar los parámetros del controlador a cada sujeto, en lugar de aplicar una única configuración estándar. El trabajo se dirige a un contexto claramente investigador y plantea preguntas directas sobre el verdadero alcance de esta estrategia en rehabilitación robótica.
Enfoque experimental y estrategia de control
La propuesta técnica se basa en un controlador de impedancia multiarticular que actúa siguiendo el principio assist-as-needed. Sobre este controlador se aplica un algoritmo evolutivo de optimización, que modifica las rigideces a partir del rendimiento medido durante la marcha. Cada participante completa varias sesiones con el exoesqueleto, mientras el algoritmo busca un conjunto de parámetros “óptimo”. El resultado es un perfil de asistencia distinto para cada sujeto, lo que en principio sugiere un cierto grado de personalización real.
Sin embargo, la principal aportación del trabajo aparece cuando se analizan los ensayos de validación. Los perfiles de rigidez obtenidos convergen, pero las métricas funcionales no muestran mejoras claras frente a configuraciones de referencia. Este contraste con estudios previos de exoesqueletos de tobillo o cadera, donde sí se observaron beneficios metabólicos, invita a la cautela. El artículo sugiere que la coadaptación humano–robot y la variabilidad intra-sujeto pueden enmascarar las ganancias esperadas. Optimizar parámetros sin modelar el cambio en la estrategia motora del usuario tiene, por tanto, un techo evidente.
Implicaciones para la robótica y la rehabilitación
Desde este punto de vista, el artículo: “human-in-the-loop optimisation in robot-assisted gait training” complementa trabajos clásicos sobre control asistivo y aprendizaje motor. Otros grupos han demostrado que la elección de la función objetivo condiciona de forma decisiva los resultados, ya sea priorizando coste energético, simetría de la marcha o patrones de activación muscular. La comparación con estos enfoques indica que, en sistemas complejos como un exoesqueleto multiarticular, quizá sea insuficiente optimizar un único criterio. La rehabilitación clínica exige integrar variables biomecánicas, fisiológicas y también subjetivas en el bucle de decisión.
El mensaje final para la comunidad de control robótico y rehabilitación es doble. Por un lado, el trabajo confirma que los exoesqueletos de investigación permiten explorar estrategias avanzadas de personalización en entornos experimentales controlados. Por otro, muestra que la simple sintonía de rigideces no garantiza mejoras funcionales medibles. El siguiente paso parece claro: combinar optimización en línea con modelos explícitos de aprendizaje del paciente y funciones objetivo más cercanas a los resultados clínicos deseados. Solo así la personalización dejará de ser un ajuste de parámetros y se convertirá en una verdadera herramienta terapéutica.
Estamos deseando saber cuáles serán los próximos pasos para nuestro Exo-H3. ¡Seguimos!