論文の概要: Learning Control Policies for Imitating Human Gaits
- arxiv url: http://arxiv.org/abs/2106.15273v1
- Date: Sat, 15 May 2021 16:33:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 01:59:53.846355
- Title: Learning Control Policies for Imitating Human Gaits
- Title（参考訳）: 人的利害軽減のための学習制御政策
- Authors: Utkarsh A. Mishra
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.28438857884398
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The work presented in this report introduces a framework aimed towards
learning to imitate human gaits. Humans exhibit movements like walking,
running, and jumping in the most efficient manner, which served as the source
of motivation for this project. Skeletal and Musculoskeletal human models were
considered for motions in the sagittal plane, and results from both were
compared exhaustively. While skeletal models are driven with motor actuation,
musculoskeletal models perform through muscle-tendon actuation. Model-free
reinforcement learning algorithms were used to optimize inverse dynamics
control actions to satisfy the objective of imitating a reference motion along
with secondary objectives of minimizing effort in terms of power spent by
motors and metabolic energy consumed by the muscles. On the one hand, the
control actions for the motor actuated model is the target joint angles
converted into joint torques through a Proportional-Differential controller.
While on the other hand, the control actions for the muscle-tendon actuated
model is the muscle excitations converted implicitly to muscle activations and
then to muscle forces which apply moments on joints. Muscle-tendon actuated
models were found to have superiority over motor actuation as they are
inherently smooth due to muscle activation dynamics and don't need any external
regularizers. Finally, a strategy that was used to obtain an optimal
configuration of the significant decision variables in the framework was
discussed. All the results and analysis are presented in an illustrative,
qualitative, and quantitative manner. Supporting video links are provided in
the Appendix.
- Abstract（参考訳）: 本稿では,人間の歩行を模倣する学習を目的としたフレームワークを提案する。
人間は、歩行、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示し、このプロジェクトのモチベーションの源となっている。
骨格モデルと筋骨格モデルでは,矢状面の運動が考慮され,両者の結果は総じて比較された。
骨格モデルは運動運動によって駆動されるが、筋骨格モデルは筋腱運動によって機能する。
モデルフリー強化学習アルゴリズムは、運動量と筋肉が消費する代謝エネルギーを最小化する第二の目的とともに、参照運動を模倣する目的を満たすために、逆ダイナミクス制御アクションを最適化するために用いられた。
一方、モータ駆動モデルの制御動作は、比例ディファレンシャルコントローラを介して、目標関節角をジョイントトルクに変換するものである。
一方、筋腱作動モデルの制御作用は、筋肉の活性化に暗黙的に変換され、関節にモーメントを適用する筋力に変換される。
筋腱アクチベーションモデルでは、筋活性化のダイナミクスにより本質的に滑らかであり、外部レギュレータを必要としないため、運動アクチベーションよりも優れていることが判明した。
最後に、フレームワークにおける重要な決定変数の最適な構成を得るために使用された戦略について論じた。
すべての結果と分析は、説明的、質的、定量的な方法で示されます。
ビデオリンクのサポートはAppendixで提供されている。
関連論文リスト
- Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations [64.98299559470503]
マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。
227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。
ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
論文 参考訳（メタデータ） (2024-10-31T18:28:53Z) - 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) - Persistent-Transient Duality: A Multi-mechanism Approach for Modeling
Human-Object Interaction [58.67761673662716]
人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。
人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。
本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
論文 参考訳（メタデータ） (2023-07-24T12:21:33Z) - Imposing Temporal Consistency on Deep Monocular Body Shape and Pose
Estimation [67.23327074124855]
本稿では,適合過程における時間的制約の統合に対するエレガントな解法を提案する。
我々は、顎ポーズ、表情、指ポーズを含む人物の形状と動きを表す一連の身体モデルのパラメーターを導出する。
本手法は,表情や手話を含む画像系列からリアルな3次元体モデルの導出を可能にする。
論文 参考訳（メタデータ） (2022-02-07T11:11:55Z) - From Motion to Muscle [0.0]
筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。
このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
論文 参考訳（メタデータ） (2022-01-27T13:30:17Z) - OstrichRL: A Musculoskeletal Ostrich Simulation to Study Bio-mechanical
Locomotion [8.849771760994273]
MuJoCoシミュレータに基づくオストリッチの3次元筋骨格シミュレーションを作成した。
このモデルは、実際の筋肉データを集めるために使用されるCTスキャンと解剖に基づいている。
また,レファレンス・モーション・トラッキングや,ネック付きリーチ・タスクなど,一連の強化学習タスクも提供する。
論文 参考訳（メタデータ） (2021-12-11T19:58:11Z) - Targeted Muscle Effort Distribution with Exercise Robots: Trajectory and
Resistance Effects [1.2891210250935146]
本研究の目的は,ロボット運動・リハビリテーション機械の軌道および抵抗条件に筋力分布を関連付けることである。
4自由度ロボットとそのインピーダンス制御システムは、高度なエクササイズプロトコルを作成するために使用される。
論文 参考訳（メタデータ） (2021-07-02T21:07:35Z) - HuMoR: 3D Human Motion Model for Robust Pose Estimation [100.55369985297797]
HuMoRは、時間的ポーズと形状のロバスト推定のための3Dヒューマンモーションモデルです。
モーションシーケンスの各ステップにおけるポーズの変化の分布を学習する条件付き変分オートエンコーダについて紹介する。
本モデルが大規模モーションキャプチャーデータセットのトレーニング後に多様な動きや体型に一般化することを示す。
論文 参考訳（メタデータ） (2021-05-10T21:04:55Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Reinforcement Learning Control of a Biomechanical Model of the Upper
Extremity [0.0]
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。
論文 参考訳（メタデータ） (2020-11-13T19:49:29Z) - 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)
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。