論文の概要: Self Model for Embodied Intelligence: Modeling Full-Body Human
Musculoskeletal System and Locomotion Control with Hierarchical
Low-Dimensional Representation
- arxiv url: http://arxiv.org/abs/2312.05473v1
- Date: Sat, 9 Dec 2023 05:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 20:34:16.698978
- Title: Self Model for Embodied Intelligence: Modeling Full-Body Human
Musculoskeletal System and Locomotion Control with Hierarchical
Low-Dimensional Representation
- Title(参考訳): 身体知能のための自己モデル:人体筋骨格系のモデリングと階層的低次元表現による歩行制御
- Authors: Kaibo He, Chenhui Zuo, Jing Shao, Yanan Sui
- Abstract要約: 我々は,90個の体節,206個の関節,700個の筋腱ユニットからなる包括的筋骨格モデルを構築した。
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。
- 参考スコア(独自算出の注目度): 25.044256750634087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling and control of the human musculoskeletal system is important for
understanding human motion, developing embodied intelligence, and optimizing
human-robot interaction systems. However, current open-source models are
restricted to a limited range of body parts and often with a reduced number of
muscles. There is also a lack of algorithms capable of controlling over 600
muscles to generate reasonable human movements. To fill this gap, we build a
comprehensive musculoskeletal model with 90 body segments, 206 joints, and 700
muscle-tendon units, allowing simulation of full-body dynamics and interaction
with various devices. We develop a new algorithm using low-dimensional
representation and hierarchical deep reinforcement learning to achieve
state-of-the-art full-body control. We validate the effectiveness of our model
and algorithm in simulations and on real human locomotion data. The
musculoskeletal model, along with its control algorithm, will be made available
to the research community to promote a deeper understanding of human motion
control and better design of interactive robots.
- Abstract(参考訳): ヒトの筋骨格系のモデリングと制御は、人間の動きを理解し、身体的な知性を開発し、人間とロボットの相互作用システムを最適化するために重要である。
しかし、現在のオープンソースモデルは限られた身体部位に限られており、しばしば筋肉の数が減少している。
また、合理的な人間の動きを生成するために600以上の筋肉を制御できるアルゴリズムが欠けている。
このギャップを埋めるために,90個の体節,206個の関節,700個の筋腱ユニットからなる包括的筋骨格モデルを構築し,全身動態のシミュレーションと各種デバイスとのインタラクションを可能にした。
低次元表現と階層的深層強化学習を用いて,最先端の全身制御を実現する新しいアルゴリズムを開発した。
シミュレーションおよび実際の人間の移動データにおけるモデルとアルゴリズムの有効性を検証する。
筋骨格モデルは、その制御アルゴリズムとともに、人間のモーションコントロールのより深い理解と対話型ロボットの設計を促進するために研究コミュニティに提供される。
関連論文リスト
- HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。
その結果,最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的な学習ベースラインは頑健な低レベル政策に支えられた場合,優れた性能を達成できることがわかった。
論文 参考訳(メタデータ) (2024-03-15T17:45:44Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳(メタデータ) (2023-11-28T18:58:48Z) - InterControl: Generate Human Motion Interactions 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) - Hierarchical generative modelling for autonomous robots [8.023920215148486]
人型ロボットが、移動、操作、把握の全体的利用を必要とする複雑なタスクを自律的に完了できることを示します。
具体的には、箱を回収して輸送し、ドアを通り抜けて目的地に到達し、接近し、サッカーを蹴ることのできるヒューマノイドロボットの能力を示すとともに、身体の損傷や地面の不規則性の存在下で頑健な性能を示す。
論文 参考訳(メタデータ) (2023-08-15T13:51:03Z) - 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) - 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) - Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。
本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。
ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文 参考訳(メタデータ) (2022-03-31T23:08:20Z) - Motron: Multimodal Probabilistic Human Motion Forecasting [30.154996245556532]
モトロン(Motron)は、人間のマルチモーダルを捉えるグラフ構造モデルである。
各モードに対して決定論的動きと対応する信頼値を出力する。
実世界の動き予測データセットを用いて,本モデルの性能を実証する。
論文 参考訳(メタデータ) (2022-03-08T14:58:41Z) - V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated
Objects [51.79035249464852]
本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。
本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
論文 参考訳(メタデータ) (2021-11-07T02:31:09Z) - 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。