論文の概要: Towards AI-controlled FES-restoration of arm movements:
neuromechanics-based reinforcement learning for 3-D reaching
- arxiv url: http://arxiv.org/abs/2301.04004v1
- Date: Tue, 10 Jan 2023 14:50:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 17:58:24.475198
- Title: Towards AI-controlled FES-restoration of arm movements:
neuromechanics-based reinforcement learning for 3-D reaching
- Title（参考訳）: ai制御型fes-rerestoration of arm movement---3次元到達のための神経メカニクスに基づく強化学習
- Authors: Nat Wannawas and A.Aldo Faisal
- Abstract要約: 機能的電気刺激(FES)は、失われた運動機能を回復することができる。
神経力学モデルは、FES制御法を開発する上で貴重なツールである。
FESによる腕の動きの復元に向けたアプローチを提案する。
- 参考スコア（独自算出の注目度）: 6.320141734801679
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reaching disabilities affect the quality of life. Functional Electrical
Stimulation (FES) can restore lost motor functions. Yet, there remain
challenges in controlling FES to induce desired movements. Neuromechanical
models are valuable tools for developing FES control methods. However, focusing
on the upper extremity areas, several existing models are either overly
simplified or too computationally demanding for control purposes. Besides the
model-related issues, finding a general method for governing the control rules
for different tasks and subjects remains an engineering challenge. Here, we
present our approach toward FES-based restoration of arm movements to address
those fundamental issues in controlling FES. Firstly, we present our
surface-FES-oriented neuromechanical models of human arms built using
well-accepted, open-source software. The models are designed to capture
significant dynamics in FES controls with minimal computational cost. Our
models are customisable and can be used for testing different control methods.
Secondly, we present the application of reinforcement learning (RL) as a
general method for governing the control rules. In combination, our
customisable models and RL-based control method open the possibility of
delivering customised FES controls for different subjects and settings with
minimal engineering intervention. We demonstrate our approach in planar and 3D
settings.
- Abstract（参考訳）: 障害者は生活の質に影響を及ぼす。
機能的電気刺激(FES)は失われた運動機能を回復することができる。
しかし、FESを制御して望ましい動きを誘発する上ではまだ課題がある。
神経力学モデルはfes制御法の開発に有用である。
しかし、上肢領域に焦点をあてると、いくつかの既存モデルは過剰に単純化されているか、制御目的のために計算的に要求されすぎている。
モデルに関する問題に加えて、異なるタスクや課題の制御ルールを管理する一般的な方法を見つけることはエンジニアリングの課題である。
本稿では、FES制御における基本的な課題に対処するため、FESに基づく腕の動きの復元に向けたアプローチを提案する。
まず, 十分に認識されたオープンソースソフトウェアを用いて構築したヒトの腕の, 表面fes指向の神経力学的モデルを提案する。
モデルは計算コストを最小限に抑えて、FES制御における重要なダイナミクスを捉えるように設計されている。
私たちのモデルはカスタマイズ可能で、さまざまな制御メソッドのテストに使用できます。
第2に、制御ルール管理の一般的な方法として強化学習(RL)の適用について述べる。
カスタマイズ可能なモデルとRLベースの制御手法を組み合わせることで、異なる主題や最小限のエンジニアリング介入で、カスタマイズされたFESコントロールを提供することが可能になる。
平面と3D設定でのアプローチを実証する。
関連論文リスト
- Programmable Motion Generation for Open-Set Motion Control Tasks [51.73738359209987]
我々は新しいパラダイム、プログラム可能なモーション生成を導入する。
このパラダイムでは、任意の運動制御タスクは原子制約の組み合わせに分解される。
これらの制約は、運動列がそれに付着する程度を定量化するエラー関数にプログラムされる。
論文 参考訳（メタデータ） (2024-05-29T17:14:55Z) - Learning Exactly Linearizable Deep Dynamics Models [0.07366405857677226]
本稿では, 安定度, 信頼性, 信頼性を確保するために, 様々な制御理論を容易に適用可能な, 線形化可能な動的モデルの学習法を提案する。
提案手法は, 自動車エンジンのリアルタイム制御に応用され, 予測性能と制約下での安定制御が良好であることを示す。
論文 参考訳（メタデータ） (2023-11-30T05:40:55Z) - Self-Supervised Reinforcement Learning that Transfers using Random
Features [41.00256493388967]
本研究では,タスク間の行動の伝達を,報酬の異なる自己指導型強化学習手法を提案する。
我々の手法は、報奨ラベルなしでオフラインデータセットでトレーニングできるが、新しいタスクに素早くデプロイできるという自己教師型である。
論文 参考訳（メタデータ） (2023-05-26T20:37:06Z) - Towards AI-controlled FES-restoration of arm movements: Controlling for
progressive muscular fatigue with Gaussian state-space models [6.320141734801679]
強化学習(Reinforcement Learning, RL)は、異なる設定でカスタマイズされた制御ルールを管理するための有望なアプローチである。
しかし、FES系をRLに制御する上で残る課題は、保存不能な筋肉疲労である。
本稿では, 筋疲労問題に対処し, RLコントローラの制御性能を向上する手法を提案する。
論文 参考訳（メタデータ） (2023-01-10T14:51:55Z) - Self-Destructing Models: Increasing the Costs of Harmful Dual Uses of
Foundation Models [103.71308117592963]
本稿ではメタラーニングと逆学習の技法を活用した自己破壊モデルの学習アルゴリズムを提案する。
小規模な実験では、MLACは、BERTスタイルのモデルが性別識別を行うために再目的化されることをほとんど防ぐことができることを示す。
論文 参考訳（メタデータ） (2022-11-27T21:43:45Z) - Neuromuscular Reinforcement Learning to Actuate Human Limbs through FES [7.4769019455423855]
機能的電気刺激 (FES) は低エネルギー電気信号によって筋収縮を引き起こす技術である。
しかし、望まれる動作を達成するためにFESを適用する方法については、未解決の課題が残っている。
本稿では,患者の刺激を自動的にカスタマイズできる強化学習(Reinforcement Learning, RL)を通じて,FESを制御することを学ぶ。
論文 参考訳（メタデータ） (2022-09-16T10:41:01Z) - Learning to Walk Autonomously via Reset-Free Quality-Diversity [73.08073762433376]
品質多様性アルゴリズムは、多様かつ高いパフォーマンスのスキルからなる大規模で複雑な行動レパートリーを発見することができる。
既存のQDアルゴリズムは、手動による人間の監督と介入を必要とするエピソードリセットと同様に、多数の評価を必要とする。
本稿では,オープンエンド環境におけるロボットの自律学習に向けたステップとして,リセットフリー品質多様性最適化(RF-QD)を提案する。
論文 参考訳（メタデータ） (2022-04-07T14:07:51Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z) - RL-Controller: a reinforcement learning framework for active structural
control [0.0]
フレキシブルでスケーラブルなシミュレーション環境であるRL-Controllerを導入することで,アクティブコントローラを設計するための新しいRLベースのアプローチを提案する。
提案するフレームワークは,5階建てのベンチマークビルディングに対して,平均65%の削減率で,容易に学習可能であることを示す。
LQG 能動制御法との比較研究において,提案したモデルフリーアルゴリズムはより最適なアクチュエータ強制戦略を学習することを示した。
論文 参考訳（メタデータ） (2021-03-13T04:42:13Z) - Improving Input-Output Linearizing Controllers for Bipedal Robots via
Reinforcement Learning [85.13138591433635]
入力出力線形化コントローラの主な欠点は、正確な力学モデルが必要であり、入力制約を考慮できないことである。
本稿では,強化学習技術を用いた二足歩行ロボット制御の具体例について,両課題に対処する。
論文 参考訳（メタデータ） (2020-04-15T18:15:49Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2019-12-31T00:29:22Z)
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。