論文の概要: Learning Predictive Models for Ergonomic Control of Prosthetic Devices

• arxiv url: http://arxiv.org/abs/2011.07005v1
• Date: Fri, 13 Nov 2020 16:39:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 23:44:07.570369
• Title: Learning Predictive Models for Ergonomic Control of Prosthetic Devices
• Title（参考訳）: 人工装具のエルゴノミクス制御のための予測モデル学習
• Authors: Geoffrey Clark, Joseph Campbell, and Heni Ben Amor
• Abstract要約: インタラクションプリミティブを拡張して,予測バイオメカニクスを実現する。 我々はこの能力をモデル予測制御戦略で活用し、潜在的なロボット行動のエルゴノミクスおよびバイオメカニカルな影響を識別する。 バイオメカニカルコスト関数によって選択された制御作用により, 膝や筋力の最小化が実証された。
• 参考スコア（独自算出の注目度）: 9.374871304813638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Model-Predictive Interaction Primitives -- a robot learning framework for assistive motion in human-machine collaboration tasks which explicitly accounts for biomechanical impact on the human musculoskeletal system. First, we extend Interaction Primitives to enable predictive biomechanics: the prediction of future biomechanical states of a human partner conditioned on current observations and intended robot control signals. In turn, we leverage this capability within a model-predictive control strategy to identify the future ergonomic and biomechanical ramifications of potential robot actions. Optimal control trajectories are selected so as to minimize future physical impact on the human musculoskeletal system. We empirically demonstrate that our approach minimizes knee or muscle forces via generated control actions selected according to biomechanical cost functions. Experiments are performed in synthetic and real-world experiments involving powered prosthetic devices.
• Abstract（参考訳）: 本稿では,人体と機械の協調作業における補助動作のためのロボット学習フレームワークであるModel-Predictive Interaction Primitivesについて述べる。 まず,現在観測されているヒトの生体力学的状態を予測し,目的とするロボット制御信号に基づいて,相互作用プリミティブを拡張して予測バイオメカニクスを実現する。 そこで本研究では,モデル予測制御手法を用いて,ロボット行動の人間工学的・生体力学的影響を明らかにする。 ヒトの筋骨格系に対する将来の物理的影響を最小限に抑えるために最適制御軌跡を選択する。 バイオメカニカルコスト関数によって選択された制御作用により, 膝や筋力の最小化が実証された。 人工装具を含む人工および実世界の実験で実験が行われる。

関連論文リスト

• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• Learning body models: from humans to humanoids [2.855485723554975]
  人間と動物は、複数の感覚のモダリティからの情報を組み合わせて、複雑な体を制御し、成長、失敗、ツールの使用に適応する。 鍵となる基礎は、エージェント(人間、動物、ロボット)が開発してきた身体の内部表現である。 脳内での体モデルの操作のメカニズムは、ほとんど不明であり、出生後の経験からどのように構築されているかは、あまり分かっていない。
  論文  参考訳（メタデータ） (2022-11-06T07:30:01Z)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)
• Data-driven emotional body language generation for social robotics [58.88028813371423]
  社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。 我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。 評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
  論文  参考訳（メタデータ） (2022-05-02T09:21:39Z)
• Ergonomically Intelligent Physical Human-Robot Interaction: Postural Estimation, Assessment, and Optimization [3.681892767755111]
  対話型ロボットの軌道からのみ人間の姿勢を推定できることを示す。 本稿では,微分可能なエルゴノミクスモデルであるDULAを提案する。
  論文  参考訳（メタデータ） (2021-08-12T21:13:06Z)
• A Neurorobotics Approach to Behaviour Selection based on Human Activity Recognition [0.0]
  行動選択はロボット工学、特に人間とロボットの相互作用の分野で活発に研究されている。 これまでのほとんどのアプローチは、認識された活動とロボットの行動の間の決定論的関連から成り立っている。 本稿では,生物の神経生理学的側面に類似した計算モデルに基づく神経ロボティクス的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-27T01:25:58Z)
• Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
  本稿では,人間の動作予測のための確率モデルを提案する。 我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。 我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2021-07-14T09:05:33Z)
• Show Me What You Can Do: Capability Calibration on Reachable Workspace for Human-Robot Collaboration [83.4081612443128]
  本稿では,REMPを用いた短時間キャリブレーションにより,ロボットが到達できると考える非専門家と地道とのギャップを効果的に埋めることができることを示す。 この校正手順は,ユーザ認識の向上だけでなく,人間とロボットのコラボレーションの効率化にも寄与することを示す。
  論文  参考訳（メタデータ） (2021-03-06T09:14:30Z)
• Sensorimotor representation learning for an "active self" in robots: A model survey [10.649413494649293]
  人間では、これらの能力は宇宙で私たちの身体を知覚する能力と関連していると考えられている。 本稿では,これらの能力の発達過程について概説する。 人工エージェントにおける自己感覚の出現を可能にする理論計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-25T16:31:01Z)
• Control for Multifunctionality: Bioinspired Control Based on Feeding in Aplysia californica [0.3277163122167433]
  我々は,ニューラルバースト活動と簡単なバイオメカニクスをリアルタイムに高速にモデル化できるハイブリッドBooleanモデルフレームワークを開発した。 Aplysia californica 摂餌の多機能モデルについて述べる。 実験可能な仮説を定式化し,ロボット制御と神経科学への応用について考察する。
  論文  参考訳（メタデータ） (2020-08-11T19:26:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。