論文の概要: I am Robot: Neuromuscular Reinforcement Learning to Actuate Human Limbs
through Functional Electrical Stimulation
- arxiv url: http://arxiv.org/abs/2103.05349v1
- Date: Tue, 9 Mar 2021 10:58:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 14:50:24.320086
- Title: I am Robot: Neuromuscular Reinforcement Learning to Actuate Human Limbs
through Functional Electrical Stimulation
- Title（参考訳）: I am Robot:機能的電気刺激によるヒト肢の活性化のための神経筋強化学習
- Authors: Nat Wannawas, Ali Shafti, A. Aldo Faisal
- Abstract要約: 機能電気刺激(FES)は筋肉の上の皮を刺激して収縮を誘発することによって筋肉を収縮させる確立された技術です。
動的状態表現のためのリカレントニューラルネットワークを用いて,人間の筋肉をFESで制御するためのDeep Reinforcement Learningアプローチを提案する。
以上の結果から,本制御器は筋力操作を学習でき,与えられた課題を達成するために適切なレベルの刺激を施し,作業中に生じる筋疲労の進行を補償できることがわかった。
- 参考スコア（独自算出の注目度）: 5.066245628617513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human movement disorders or paralysis lead to the loss of control of muscle
activation and thus motor control. Functional Electrical Stimulation (FES) is
an established and safe technique for contracting muscles by stimulating the
skin above a muscle to induce its contraction. However, an open challenge
remains on how to restore motor abilities to human limbs through FES, as the
problem of controlling the stimulation is unclear. We are taking a robotics
perspective on this problem, by developing robot learning algorithms that
control the ultimate humanoid robot, the human body, through electrical muscle
stimulation. Human muscles are not trivial to control as actuators due to their
force production being non-stationary as a result of fatigue and other internal
state changes, in contrast to robot actuators which are well-understood and
stationary over broad operation ranges. We present our Deep Reinforcement
Learning approach to the control of human muscles with FES, using a recurrent
neural network for dynamic state representation, to overcome the unobserved
elements of the behaviour of human muscles under external stimulation. We
demonstrate our technique both in neuromuscular simulations but also
experimentally on a human. Our results show that our controller can learn to
manipulate human muscles, applying appropriate levels of stimulation to achieve
the given tasks while compensating for advancing muscle fatigue which arises
throughout the tasks. Additionally, our technique can learn quickly enough to
be implemented in real-world human-in-the-loop settings.
- Abstract（参考訳）: 人間の運動障害や麻痺は、筋肉の活性化と運動制御の制御の喪失につながります。
機能電気刺激(FES)は筋肉の上の皮を刺激することによって筋肉を収縮させる確立された、安全な技術です。
しかし、FESを介して運動能力を人間の手足に復元する方法に関するオープンな課題は未だに残っており、刺激を制御する問題は不明である。
究極のヒューマノイドロボットである人体を電気筋肉刺激で制御するロボット学習アルゴリズムを開発することで、この問題をロボティクスの視点から捉えています。
人間の筋肉は疲労および他の内部状態の変更の結果として非定常である力の生産が原因でアクチュエーターとして制御することは自明ではないです広い操作範囲上のよく理解され、定常であるロボットアクチュエーターとは対照的に。
本研究では, 動的状態表現のための繰り返しニューラルネットワークを用いて, 外部刺激下でのヒト筋の挙動の観察不能な要素を克服するために, 筋のfes制御に対する深層強化学習アプローチを提案する。
本技術は神経筋シミュレーションでも人体でも実験的に実証する。
以上の結果から,本制御器は筋力操作を学習でき,与えられた課題を達成するために適切なレベルの刺激を施し,作業中に生じる筋疲労の進行を補償できることがわかった。
さらに、私たちのテクニックは、実世界のヒューマンインザループ設定で実装できるほど迅速に学習できます。
関連論文リスト
- Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。
本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。
この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文 参考訳（メタデータ） (2024-01-30T10:48:43Z) - Reinforcement Learning-Based Bionic Reflex Control for Anthropomorphic
Robotic Grasping exploiting Domain Randomization [0.4999814847776098]
強化学習(RL)を活用した革新的な生体反射制御パイプラインを提案する。
提案する生体反射制御装置は人為的手において設計・試験されている。
我々は、この自律型RLベースのバイオニック・リフレクション・コントローラが、信頼性が高く、高効率なロボットと義手の開発を触媒することを期待している。
論文 参考訳（メタデータ） (2023-12-08T13:04:41Z) - 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) - Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。
シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
論文 参考訳（メタデータ） (2023-03-30T17:58:36Z) - 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) - MyoSuite -- A contact-rich simulation suite for musculoskeletal motor
control [7.856809409051587]
myoSuiteは、生理学的に正確な肘、手首、手首の生体力学的モデルで、物理的な接触機能を備えている。
簡単な姿勢制御から熟練した手-物体間相互作用まで、さまざまな運動制御課題を提供する。
論文 参考訳（メタデータ） (2022-05-26T20:11:23Z) - From Movement Kinematics to Object Properties: Online Recognition of
Human Carefulness [112.28757246103099]
ロボットは、視覚だけで、人間のパートナーが物体を動かす際に注意を払っているかを、どのようにオンラインで推測できるかを示す。
我々は,低解像度カメラでも高い精度(最大81.3%)でこの推論を行うことができることを示した。
パートナーの行動を観察することによる動きの注意の迅速な認識により、ロボットはオブジェクトに対する行動に適応し、人間のパートナーと同じケアの度合いを示すことができる。
論文 参考訳（メタデータ） (2021-09-01T16:03:13Z) - Neuromechanics-based Deep Reinforcement Learning of Neurostimulation
Control in FES cycling [1.933681537640272]
機能電気刺激(FES)は麻痺した人の筋肉に動きを回復できます。
現在の神経刺激工学は20世紀の制御アプローチに依存している。
深部強化学習(RL)は、FESサイクリングのための麻痺脚のリアルタイム適応神経刺激のために開発された。
論文 参考訳（メタデータ） (2021-03-04T14:33:18Z) - Careful with That! Observation of Human Movements to Estimate Objects
Properties [106.925705883949]
我々は、物体の重さについての洞察を伝える人間の運動行動の特徴に焦点を当てる。
最後の目標は、ロボットがオブジェクトハンドリングに必要なケアの度合いを自律的に推測できるようにすることです。
論文 参考訳（メタデータ） (2021-03-02T08:14:56Z) - Reinforcement Learning of Musculoskeletal Control from Functional
Simulations [3.94716580540538]
本研究は、深部強化学習(DRL)に基づく逆動力学制御器を用いて、人間の肩の生体力学的モデルによる筋活動の制御を訓練する。
その結果,無作為に発生する角軌道に追従する作業に対して,肩下降の単一軸運動制御を行うことができた。
論文 参考訳（メタデータ） (2020-07-13T20:20:01Z) - Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。
そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
論文 参考訳（メタデータ） (2020-04-02T02:56:16Z)
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。