論文の概要: Fatigue-PINN: Physics-Informed Fatigue-Driven Motion Modulation and Synthesis
- arxiv url: http://arxiv.org/abs/2502.19056v1
- Date: Wed, 26 Feb 2025 11:14:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-27 14:56:16.863485
- Title: Fatigue-PINN: Physics-Informed Fatigue-Driven Motion Modulation and Synthesis
- Title（参考訳）: 疲労-PINN:物理インフォームド疲労駆動運動変調と合成
- Authors: Iliana Loi, Konstantinos Moustakas,
- Abstract要約: 疲労条件下での人間の動作をモデル化するための運動合成タスクには疲労モデリングが不可欠である。
本稿では,物理インフォームドニューラルネットワークに基づくディープラーニングフレームワークであるFreep-PINNを提案する。
本研究では,三成分制御モデルのPINN適応を利用して最大関節トルクの疲労誘起変動をシミュレートする。
- 参考スコア（独自算出の注目度）: 2.0308338182844263
- License:
- Abstract: Fatigue modeling is essential for motion synthesis tasks to model human motions under fatigued conditions and biomechanical engineering applications, such as investigating the variations in movement patterns and posture due to fatigue, defining injury risk mitigation and prevention strategies, formulating fatigue minimization schemes and creating improved ergonomic designs. Nevertheless, employing data-driven methods for synthesizing the impact of fatigue on motion, receives little to no attention in the literature. In this work, we present Fatigue-PINN, a deep learning framework based on Physics-Informed Neural Networks, for modeling fatigued human movements, while providing joint-specific fatigue configurations for adaptation and mitigation of motion artifacts on a joint level, resulting in more realistic animations. To account for muscle fatigue, we simulate the fatigue-induced fluctuations in the maximum exerted joint torques by leveraging a PINN adaptation of the Three-Compartment Controller model to exploit physics-domain knowledge for improving accuracy. This model also introduces parametric motion alignment with respect to joint-specific fatigue, hence avoiding sharp frame transitions. Our results indicate that Fatigue-PINN accurately simulates the effects of externally perceived fatigue on open-type human movements being consistent with findings from real-world experimental fatigue studies. Since fatigue is incorporated in torque space, Fatigue-PINN provides an end-to-end encoder-decoder-like architecture, to ensure transforming joint angles to joint torques and vice-versa, thus, being compatible with motion synthesis frameworks operating on joint angles.
- Abstract（参考訳）: 疲労条件下での運動合成タスクや疲労による運動パターンや姿勢の変化の調査、損傷リスク軽減と予防戦略の定義、疲労最小化スキームの定式化、改良されたエルゴノミクスデザインの作成など、生体工学的応用において、疲労モデリングは人体運動のモデル化に不可欠である。
それでも、疲労が運動に与える影響を合成するためにデータ駆動方式を採用することは、文献にはほとんど、ほとんど、あるいは全く注目されない。
本研究では,疲労した人の動きをモデル化するための物理インフォームドニューラルネットワークに基づくディープラーニングフレームワークであるFreep-PINNを提案する。
筋疲労を考慮に入れ, 3成分制御モデルのPINN適応を利用して, 最大関節トルクの疲労誘起変動をシミュレートし, 物理領域の知識を利用して精度を向上させる。
このモデルはまた、関節特異的な疲労に対してパラメトリックな運動アライメントを導入し、シャープなフレーム遷移を避ける。
以上の結果から, 実世界の実験的疲労研究から得られた知見と一致したオープンタイプのヒトの運動に対する外的疲労の影響を, PINNが正確にシミュレートできることが示唆された。
疲労はトルク空間に組み込まれているため、疲労-PINNはエンコーダ・デコーダのようなアーキテクチャを提供し、関節の角度を関節のトルクや逆転に変換することを保証し、関節の角度で動作する運動合成フレームワークと互換性がある。
関連論文リスト
- A Plug-and-Play Physical Motion Restoration Approach for In-the-Wild High-Difficulty Motions [56.709280823844374]
動作コンテキストとビデオマスクを利用して、欠陥のある動作を修復するマスクベースの動作補正モジュール(MCM)を導入する。
また,運動模倣のための事前訓練および適応手法を用いた物理ベースの運動伝達モジュール (PTM) を提案する。
本手法は,高速な移動を含む映像モーションキャプチャ結果を物理的に洗練するためのプラグイン・アンド・プレイモジュールとして設計されている。
論文 参考訳（メタデータ） (2024-12-23T08:26:00Z) - Learning Speed-Adaptive Walking Agent Using Imitation Learning with Physics-Informed Simulation [0.0]
生体力学的に現実的な動作を維持しつつ、様々な歩行速度に適応できる骨格型ヒューマノイド剤を開発した。
このフレームワークは、オープンソースのバイオメカニクスデータから生体力学的に妥当な歩行運動を生産する合成データジェネレータと、エージェントの歩行ポリシーを訓練するために逆模倣学習を使用する訓練システムとを組み合わせる。
論文 参考訳（メタデータ） (2024-12-05T07:55:58Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - 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) - Predicting Fatigue Crack Growth via Path Slicing and Re-Weighting [9.454972552320804]
負荷条件下での疲労き裂の進展と部品の寿命を予測するための統計的学習フレームワークについて報告する。
高忠実度物理シミュレーションにより疲労き裂パターンと余寿命のデジタルライブラリを構築した。
統計的ノイズや稀な事象を扱うために、パススライシングと再重み付け技術が導入されている。
論文 参考訳（メタデータ） (2023-09-13T04:13:11Z) - Proprioceptive Learning with Soft Polyhedral Networks [16.188789266592032]
プロプリオセプション(英: Proprioception)は、運動ニューロンによる手足の姿勢を検出する「第6の感覚」である。
本稿では,物理インタラクションのための組込みビジョンを備えたソフト多面体ネットワークを提案する。
この設計は、超高速モーショントラッキングシステムによって視覚的に捉えられる全方向インタラクションへの受動的適応を可能にする。
論文 参考訳（メタデータ） (2023-08-16T17:53:40Z) - Estimating Continuous Muscle Fatigue For Multi-Muscle Coordinated Exercise: A Pilot Study on Walking [6.7733453364081635]
多筋協調時間運動の疲労を評価するには、複数の筋肉の適応の疲労によって引き起こされる特性を表す神経筋の特徴が必要である。
そこで本研究では,筋肉補償と脊髄モジュール活性化の特徴による疲労の描写と,生理的合理的モデルによる連続疲労の推定を提案する。
論文 参考訳（メタデータ） (2023-03-30T02:54:59Z) - 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) - 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) - 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) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。