Fugu-MT 論文翻訳(概要): Replication of Impedance Identification Experiments on a Reinforcement-Learning-Controlled Digital Twin of Human Elbows

論文の概要: Replication of Impedance Identification Experiments on a Reinforcement-Learning-Controlled Digital Twin of Human Elbows

arxiv url: http://arxiv.org/abs/2402.02904v1
Date: Mon, 5 Feb 2024 11:16:32 GMT
ステータス: 処理完了
システム内更新日: 2024-02-06 16:49:06.453088
Title: Replication of Impedance Identification Experiments on a Reinforcement-Learning-Controlled Digital Twin of Human Elbows
Title（参考訳）: ヒト肘の強化学習制御デジタル双対におけるインピーダンス同定実験の複製
Authors: Hao Yu, Zebin Huang, Qingbo Liu, Ignacio Carlucho, and Mustafa Suphi Erden
Abstract要約: 本研究は,デジタル人間モデルを用いた仮想環境下でのヒト神経機械実験を再現する。我々は、RLエージェントによって制御される肘の動きと実際のヒト肘の動きを、トルク摂動実験で同定されたインピーダンスの観点から比較した。以上の結果より,RL薬はヒトよりも,摂動下での肘の動きを安定させるために高い肘インピーダンスを示すことが明らかとなった。
参考スコア（独自算出の注目度）: 5.988338468757496
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This study presents a pioneering effort to replicate human neuromechanical experiments within a virtual environment utilising a digital human model. By employing MyoSuite, a state-of-the-art human motion simulation platform enhanced by Reinforcement Learning (RL), multiple types of impedance identification experiments of human elbow were replicated on a musculoskeletal model. We compared the elbow movement controlled by an RL agent with the motion of an actual human elbow in terms of the impedance identified in torque-perturbation experiments. The findings reveal that the RL agent exhibits higher elbow impedance to stabilise the target elbow motion under perturbation than a human does, likely due to its shorter reaction time and superior sensory capabilities. This study serves as a preliminary exploration into the potential of virtual environment simulations for neuromechanical research, offering an initial yet promising alternative to conventional experimental approaches. An RL-controlled digital twin with complete musculoskeletal models of the human body is expected to be useful in designing experiments and validating rehabilitation theory before experiments on real human subjects.
Abstract（参考訳）: 本研究は,デジタル人間モデルを用いた仮想環境下でのヒト神経機械実験を再現する先駆的な試みである。強化学習(RL)により強化された最先端の人体運動シミュレーションプラットフォームであるMyoSuiteを用いて, 筋骨格モデルを用いて, 肘のインピーダンス同定実験を行った。我々は,RLエージェントが制御する肘の動きと実際のヒト肘の動きを,トルク摂動実験で同定されたインピーダンスの観点から比較した。以上の結果から, rl剤は, ヒトよりも短い反応時間と優れた感覚能力により, 摂動下での肘運動を安定させるため, 高い肘インピーダンスを示すことが明らかとなった。本研究は,神経力学研究における仮想環境シミュレーションの可能性に関する予備的考察であり,従来の実験手法に代わる,初期的かつ有望な代替手段を提供する。人体の完全な筋骨格モデルを持つrl制御型デジタル双生児は、実際の人体実験の前に実験の設計とリハビリテーション理論を検証するのに有用であると考えられる。

関連論文リスト

LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文参考訳（メタデータ） (2024-05-16T03:04:10Z)
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)
Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文参考訳（メタデータ） (2023-06-03T06:19:20Z)
From Data-Fitting to Discovery: Interpreting the Neural Dynamics of Motor Control through Reinforcement Learning [3.6159844753873087]
足の移動を行う仮想ロボットの構造的神経活動について検討した。歩行訓練されたエンボディードエージェントは、タングリングを避けるスムーズなダイナミックスを示す。
論文参考訳（メタデータ） (2023-05-18T16:52:27Z)
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)
Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文参考訳（メタデータ） (2023-03-03T21:41:01Z)
Agent-based Modeling and Simulation of Human Muscle For Development of Human Gait Analyzer Application [1.0878040851638]
この応用は、臨床の専門家が健康な筋肉と不健康な筋肉を区別するために使用できる。 Bootsアルゴリズムは、人間の動作の逆ダイナミクスを行うために、人間の下半身の生体力学的モデルに基づいて設計されている。
論文参考訳（メタデータ） (2022-12-24T15:57:31Z)
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)
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)
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)
Exploring vestibulo-ocular adaptation in a closed-loop neuro-robotic experiment using STDP. A simulation study [0.0]
本研究は, 模擬ヒューマノイドロボット(iCub)をニューロロボティック・プラットフォーム(Neuro-robotic Platform)を用いて, スパイキング小脳モデルで支持するエボディメント・ソリューションを提案し, 解説する。その結果, 擬似iCubロボットを用いた知覚動作閉ループ(r-VOR)において, スパイキング小脳モデルの適応能力を検証した。
論文参考訳（メタデータ） (2020-03-03T10:55:42Z)

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。