論文の概要: Reinforcement Learning Control of a Biomechanical Model of the Upper
Extremity
- arxiv url: http://arxiv.org/abs/2011.07105v2
- Date: Wed, 20 Apr 2022 09:24:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 00:55:16.660223
- Title: Reinforcement Learning Control of a Biomechanical Model of the Upper
Extremity
- Title（参考訳）: 上肢バイオメカニカルモデルの強化学習制御
- Authors: Florian Fischer, Miroslav Bachinski, Markus Klar, Arthur Fleig, J\"org
M\"uller
- Abstract要約: 我々は、強化学習で実施されるモータバブリング手法を用いて制御ポリシーを学習する。
我々は7つの運動自由度を含む最先端のバイオメカニカルモデルを用いている。
次元の呪いに対処するために、個々の筋肉の代わりに各自由度で作用する簡易な2階筋モデルを用いる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Among the infinite number of possible movements that can be produced, humans
are commonly assumed to choose those that optimize criteria such as minimizing
movement time, subject to certain movement constraints like signal-dependent
and constant motor noise. While so far these assumptions have only been
evaluated for simplified point-mass or planar models, we address the question
of whether they can predict reaching movements in a full skeletal model of the
human upper extremity. We learn a control policy using a motor babbling
approach as implemented in reinforcement learning, using aimed movements of the
tip of the right index finger towards randomly placed 3D targets of varying
size. We use a state-of-the-art biomechanical model, which includes seven
actuated degrees of freedom. To deal with the curse of dimensionality, we use a
simplified second-order muscle model, acting at each degree of freedom instead
of individual muscles. The results confirm that the assumptions of
signal-dependent and constant motor noise, together with the objective of
movement time minimization, are sufficient for a state-of-the-art skeletal
model of the human upper extremity to reproduce complex phenomena of human
movement, in particular Fitts' Law and the 2/3 Power Law. This result supports
the notion that control of the complex human biomechanical system can plausibly
be determined by a set of simple assumptions and can easily be learned.
- Abstract（参考訳）: 生成可能な無限個の動きのうち、人間は信号依存や一定の運動騒音のような特定の動きの制約を受ける運動時間の最小化などの基準を最適化したものを選択することが一般的である。
これまでのところ、これらの仮定は単純な点質量モデルや平面モデルに対してのみ評価されているが、人間の上肢の完全な骨格モデルにおける到達運動を予測できるかどうかという問題に対処する。
そこで我々は,右指の先端をランダムに配置した3Dターゲットに向かって移動させることにより,強化学習におけるモータバブリング手法を用いて制御ポリシーを学習する。
7つの自由度を含む最先端のバイオメカニカルモデルを用いる。
次元の呪いに対処するために、個々の筋肉の代わりに各自由度で作用する簡易な2階筋モデルを用いる。
その結果, 信号依存・定常運動騒音の仮定は, 運動時間最小化の目的とともに, 人間の上肢の最先端骨格モデルが人間の運動の複雑な現象, 特にFitts' Lawと2/3 Power Lawを再現するのに十分であることが確認された。
この結果は、複雑なヒトの生体力学系の制御は、単純な仮定のセットによって決定可能であり、容易に学習できるという考えを支持している。
関連論文リスト
- HUMOS: Human Motion Model Conditioned on Body Shape [54.20419874234214]
身体形状に基づく生成運動モデルを構築するための新しいアプローチを提案する。
非ペアデータを使ってこのモデルをトレーニングすることが可能であることを示す。
得られたモデルは、多種多様で、物理的に妥当で、動的に安定した人間の動きを生成する。
論文 参考訳（メタデータ） (2024-09-05T23:50:57Z) - Continual Imitation Learning for Prosthetic Limbs [0.7922558880545526]
モーター付きバイオニック手足は約束を提供するが、その実用性は様々な環境での人間の運動の進化する相乗効果を模倣することに依存する。
本稿では, カメラを用いたモーションキャプチャとウェアラブルセンサデータを活用したバイオニック補綴用アプリケーションの新しいモデルを提案する。
本稿では,マルチタスク,継続的な適応,動きの予測,移動の洗練が可能なモデルを提案する。
論文 参考訳（メタデータ） (2024-05-02T09:22:54Z) - Self Model for Embodied Intelligence: Modeling Full-Body Human Musculoskeletal System and Locomotion Control with Hierarchical Low-Dimensional Representation [22.925312305575183]
筋骨格モデル(MS-Human-700)を90個の体節,206個の関節,700個の筋腱ユニットで構築した。
低次元表現と階層的深部強化学習を用いた新しいアルゴリズムを開発し、最先端のフルボディ制御を実現する。
論文 参考訳（メタデータ） (2023-12-09T05:42:32Z) - InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。
そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
論文 参考訳（メタデータ） (2023-11-27T14:32:33Z) - Natural and Robust Walking using Reinforcement Learning without
Demonstrations in High-Dimensional Musculoskeletal Models [29.592874007260342]
人間は複雑な自然環境の中を歩く頑丈な二足歩行で運動します。
神経系が筋骨格の冗長性をどのように解決し、多目的制御問題を解決するかは、まだ完全には分かっていない。
論文 参考訳（メタデータ） (2023-09-06T13:20:31Z) - 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) - Learning Disentangled Representations for Controllable Human Motion
Prediction [24.004809791890445]
制御可能な人間の動作予測のための非絡み合い表現を学習するための新しい枠組みを提案する。
我々の手法は、定性的かつ定量的に、最先端の制御可能な人間の動作を予測することができる。
論文 参考訳（メタデータ） (2022-07-04T13:11:11Z) - Generating Smooth Pose Sequences for Diverse Human Motion Prediction [90.45823619796674]
本稿では,多様な動作予測と制御可能な動作予測のための統合された深部生成ネットワークを提案する。
標準ベンチマークデータセットであるHuman3.6MとHumanEva-Iの2つの実験は、我々のアプローチがサンプルの多様性と精度の両方において最先端のベースラインより優れていることを示した。
論文 参考訳（メタデータ） (2021-08-19T00:58:00Z) - Learning Control Policies for Imitating Human Gaits [2.28438857884398]
人間はウォーキング、ランニング、ジャンプといった運動を最も効率的な方法で行っており、このプロジェクトの動機の源となっている。
骨格と筋骨格の人間モデルは,矢状面の運動に対して考慮された。
モデルフリー強化学習アルゴリズムは、逆ダイナミクス制御動作の最適化に用いられた。
論文 参考訳（メタデータ） (2021-05-15T16:33:24Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z) - Perpetual Motion: Generating Unbounded Human Motion [61.40259979876424]
我々は、長期的な予測、つまり、人間の動きの長いシーケンスを生成することに焦点を当てる。
本研究では,非決定論的,テキストに変化する,永続的な人間の動きを生成するモデルを提案する。
我々は、これをホワイトノイズガウス過程のKL分岐の重み付き関数を用いて訓練し、潜時シーケンスの時間依存性を許容する。
論文 参考訳（メタデータ） (2020-07-27T21:50:36Z)
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。