論文の概要: Deep learning framework for action prediction reveals multi-timescale locomotor control

• arxiv url: http://arxiv.org/abs/2503.16340v3
• Date: Tue, 25 Mar 2025 04:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 10:43:53.739712
• Title: Deep learning framework for action prediction reveals multi-timescale locomotor control
• Title（参考訳）: 行動予測のためのディープラーニングフレームワーク
• Authors: Wei-Chen Wang, Antoine De Comite, Alexandra Voloshina, Monica Daley, Nidhi Seethapathi,
• Abstract要約: アーキテクチャに依存した試行を組み込んだ深層学習に基づく行動予測フレームワークを開発した。 GRUやTransformerのようなフレキシブルな入力履歴依存性を持つニューラルネットワークアーキテクチャは、全体的なパフォーマンスが良くなっています。
• 参考スコア（独自算出の注目度）: 41.985053522482545
• License:
• Abstract: Modeling movement in real-world tasks is a fundamental goal for motor control, biomechanics, and rehabilitation engineering. However, widely used data-driven models of essential tasks like locomotion make simplifying assumptions such as linear and fixed timescale mappings between past inputs and future actions, which do not generalize to real-world contexts. Here, we develop a deep learning-based framework for action prediction with architecture-dependent trial embeddings, outperforming traditional models across contexts (walking and running, treadmill and overground, varying terrains) and input modalities (multiple body states, gaze). We find that neural network architectures with flexible input history-dependence like GRU and Transformer perform best overall. By quantifying the model's predictions relative to an autoregressive baseline, we identify context- and modality-dependent timescales. These analyses reveal that there is greater reliance on fast-timescale predictions in complex terrain, gaze predicts future foot placement before body states, and the full-body state predictions precede those by center-of-mass-relevant states. This deep learning framework for action prediction provides quantifiable insights into the control of real-world locomotion and can be extended to other actions, contexts, and populations.
• Abstract（参考訳）: 実世界のタスクにおける運動のモデリングは、運動制御、バイオメカニクス、リハビリテーション工学の基本的な目標である。 しかし、ロコモーションのような本質的なタスクで広く使われているデータ駆動モデルは、過去の入力と将来のアクションの間の線形および固定時間スケールマッピングのような仮定を単純化する。 そこで我々は,建築に依存した試行を組み込んだ深層学習に基づく行動予測フレームワークを開発し,従来のモデル(歩行・走行・トレッドミル・地上・地形・地形)と入力モダリティ(複数体状態・視線)を横断的に比較した。 GRUやTransformerのようなフレキシブルな入力履歴依存性を持つニューラルネットワークアーキテクチャは、全体的なパフォーマンスが良くなっています。 自己回帰ベースラインに対するモデルの予測を定量化することにより、文脈依存およびモダリティ依存の時間スケールを同定する。 これらの分析により、複雑な地形における高速な予測への依存が高まり、視線は身体状態の前に将来の足場を予測し、全体状態予測は質量関連状態に先行することが明らかとなった。 この行動予測のためのディープラーニングフレームワークは、現実世界の移動を制御するための定量的な洞察を提供し、他の行動、文脈、人口にまで拡張することができる。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Humanoid Locomotion as Next Token Prediction [84.21335675130021]
  我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。 われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。 われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
  論文  参考訳（メタデータ） (2024-02-29T18:57:37Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction [1.1947990549568765]
  本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。 この研究は、低階積分子モデルのようなより単純なモデルは、正確な予測を達成するために、より複雑な、例えばキネマティックモデルよりも好まれることを示している。
  論文  参考訳（メタデータ） (2023-04-11T10:15:20Z)
• Class-Aware Attention for Multimodal Trajectory Prediction [0.7130302992490973]
  自律運転における多モーダル軌道予測のための新しい枠組みを提案する。 我々のモデルはリアルタイムに動作することができ、300FPSを超える高い推論速度を達成することができる。
  論文  参考訳（メタデータ） (2022-08-31T18:43:23Z)
• Causal-based Time Series Domain Generalization for Vehicle Intention Prediction [19.944268567657307]
  交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。 本稿では,車両意図予測タスクにおける領域一般化問題に対処することを目的とする。 提案手法は、他の最先端領域の一般化や振る舞い予測手法と比較して、予測精度を一貫して改善する。
  論文  参考訳（メタデータ） (2021-12-03T18:58:07Z)
• Learning Accurate Long-term Dynamics for Model-based Reinforcement Learning [7.194382512848327]
  より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。 シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
  論文  参考訳（メタデータ） (2020-12-16T18:47:37Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。