論文の概要: Imitation Learning for Adaptive Control of a Virtual Soft Exoglove

• arxiv url: http://arxiv.org/abs/2505.09099v1
• Date: Wed, 14 May 2025 03:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.360184
• Title: Imitation Learning for Adaptive Control of a Virtual Soft Exoglove
• Title（参考訳）: 仮想ソフト・エクソグローブの適応制御のための模倣学習
• Authors: Shirui Lyu, Vittorio Caggiano, Matteo Leonetti, Dario Farina, Letizia Gionfrida,
• Abstract要約: 本研究では,特定の筋力障害に対処し,手動操作作業に対する補償を提供するウェアラブルロボットコントローラを提案する。 人間の把握タスクを実行する同じ被験者のビデオデータは、実演から学習して操作モデルを訓練するために使用される。 この操作モデルはその後、オブジェクト固有のインタラクションタスクを実行するために微調整される。 筋骨格操作モデルにおける筋力は、後に仮想ウェアラブルロボットグローブの作動によって補償される神経運動障害をシミュレートするために弱められる。
• 参考スコア（独自算出の注目度）: 3.3030080038744947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of wearable robots has been widely adopted in rehabilitation training for patients with hand motor impairments. However, the uniqueness of patients' muscle loss is often overlooked. Leveraging reinforcement learning and a biologically accurate musculoskeletal model in simulation, we propose a customized wearable robotic controller that is able to address specific muscle deficits and to provide compensation for hand-object manipulation tasks. Video data of a same subject performing human grasping tasks is used to train a manipulation model through learning from demonstration. This manipulation model is subsequently fine-tuned to perform object-specific interaction tasks. The muscle forces in the musculoskeletal manipulation model are then weakened to simulate neurological motor impairments, which are later compensated by the actuation of a virtual wearable robotics glove. Results shows that integrating the virtual wearable robotic glove provides shared assistance to support the hand manipulator with weakened muscle forces. The learned exoglove controller achieved an average of 90.5\% of the original manipulation proficiency.
• Abstract（参考訳）: ウェアラブルロボットの使用は、ハンドモーター障害患者のリハビリテーショントレーニングに広く採用されている。 しかし、患者の筋の喪失の特異性はしばしば見過ごされる。 そこで本研究では,筋力の低下に対処し,手動操作作業に対する補償を提供するウェアラブルロボットコントローラを提案する。 人間の把握タスクを実行する同じ被験者のビデオデータは、実演から学習して操作モデルを訓練するために使用される。 この操作モデルはその後、オブジェクト固有のインタラクションタスクを実行するために微調整される。 筋骨格操作モデルにおける筋力は、後に仮想ウェアラブルロボットグローブの作動によって補償される神経運動障害をシミュレートするために弱められる。 以上の結果から,仮想ウェアラブルロボットグローブの統合により,筋力低下による手マニピュレータ支援の共有支援が可能となった。 学習した外グローブコントローラーは、元の操作能力の90.5\%を達成した。

関連論文リスト

• Reinforcement learning-based motion imitation for physiologically plausible musculoskeletal motor control [47.423243831156285]
  筋運動制御の理解を深めるために,モデルフリー運動模倣フレームワーク(KINESIS)を提案する。 我々は,KINESISが1.9時間のモーションキャプチャデータに対して強い模倣性能を達成できることを実証した。 キネシスはヒトの筋活動とよく相関する筋活動パターンを生成する。
  論文  参考訳（メタデータ） (2025-03-18T18:37:49Z)
• AI-Powered Camera and Sensors for the Rehabilitation Hand Exoskeleton [0.393259574660092]
  本研究は,障害者の手の動きを支援する視覚機能付きリハビリテーション・ハンド・エキソスケルトンを提案する。 設計目標は、トレーニングを必要とせずにシンプルなインターフェイスを利用できるツールを作ることだった。
  論文  参考訳（メタデータ） (2024-08-09T04:47:37Z)
• Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
  本稿では,人間とロボットの協調学習システムについて紹介する。 これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。 これにより、ダウンストリームタスクにおいて、収集されたデータが十分な品質であることを保証しながら、人間の適応の必要性を減らすことができる。
  論文  参考訳（メタデータ） (2024-06-29T03:37:29Z)
• Reinforcement Learning-Based Bionic Reflex Control for Anthropomorphic Robotic Grasping exploiting Domain Randomization [0.4999814847776098]
  強化学習(RL)を活用した革新的な生体反射制御パイプラインを提案する。 提案する生体反射制御装置は人為的手において設計・試験されている。 我々は、この自律型RLベースのバイオニック・リフレクション・コントローラが、信頼性が高く、高効率なロボットと義手の開発を触媒することを期待している。
  論文  参考訳（メタデータ） (2023-12-08T13:04:41Z)
• Reconfigurable Data Glove for Reconstructing Physical and Virtual Grasps [100.72245315180433]
  本研究では,人間の手-物体相互作用の異なるモードを捉えるために,再構成可能なデータグローブの設計を提案する。 グローブは3つのモードで動作し、異なる特徴を持つ様々な下流タスクを実行する。 i)手の動きと関連力を記録し,(ii)VRの操作流速を改善するとともに,(iii)様々なツールの現実的なシミュレーション効果を生み出すことにより,システムの3つのモードを評価する。
  論文  参考訳（メタデータ） (2023-01-14T05:35:50Z)
• I am Robot: Neuromuscular Reinforcement Learning to Actuate Human Limbs through Functional Electrical Stimulation [5.066245628617513]
  機能電気刺激(FES)は筋肉の上の皮を刺激して収縮を誘発することによって筋肉を収縮させる確立された技術です。 動的状態表現のためのリカレントニューラルネットワークを用いて,人間の筋肉をFESで制御するためのDeep Reinforcement Learningアプローチを提案する。 以上の結果から,本制御器は筋力操作を学習でき,与えられた課題を達成するために適切なレベルの刺激を施し,作業中に生じる筋疲労の進行を補償できることがわかった。
  論文  参考訳（メタデータ） (2021-03-09T10:58:51Z)
• 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)
• 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。