論文の概要: KinTwin: Imitation Learning with Torque and Muscle Driven Biomechanical Models Enables Precise Replication of Able-Bodied and Impaired Movement from Markerless Motion Capture

• arxiv url: http://arxiv.org/abs/2505.13436v1
• Date: Mon, 19 May 2025 17:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.801051
• Title: KinTwin: Imitation Learning with Torque and Muscle Driven Biomechanical Models Enables Precise Replication of Able-Bodied and Impaired Movement from Markerless Motion Capture
• Title（参考訳）: KinTwin: 筋肉駆動型バイオメカニカルモデルとトルクを用いた模倣学習
• Authors: R. James Cotton,
• Abstract要約: 高品質な運動分析は、運動科学とリハビリテーションに大きな恩恵をもたらす可能性がある。 臨床実習において,模擬学習を用いて高品質な運動分析を可能にする可能性を示す。
• 参考スコア（独自算出の注目度）: 2.44755919161855
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Broader access to high-quality movement analysis could greatly benefit movement science and rehabilitation, such as allowing more detailed characterization of movement impairments and responses to interventions, or even enabling early detection of new neurological conditions or fall risk. While emerging technologies are making it easier to capture kinematics with biomechanical models, or how joint angles change over time, inferring the underlying physics that give rise to these movements, including ground reaction forces, joint torques, or even muscle activations, is still challenging. Here we explore whether imitation learning applied to a biomechanical model from a large dataset of movements from able-bodied and impaired individuals can learn to compute these inverse dynamics. Although imitation learning in human pose estimation has seen great interest in recent years, our work differences in several ways: we focus on using an accurate biomechanical model instead of models adopted for computer vision, we test it on a dataset that contains participants with impaired movements, we reported detailed tracking metrics relevant for the clinical measurement of movement including joint angles and ground contact events, and finally we apply imitation learning to a muscle-driven neuromusculoskeletal model. We show that our imitation learning policy, KinTwin, can accurately replicate the kinematics of a wide range of movements, including those with assistive devices or therapist assistance, and that it can infer clinically meaningful differences in joint torques and muscle activations. Our work demonstrates the potential for using imitation learning to enable high-quality movement analysis in clinical practice.
• Abstract（参考訳）: 高品質な運動分析への幅広いアクセスは、運動障害のより詳細な評価や介入への対応、新しい神経学的条件の早期発見や転倒リスクの早期発見など、運動科学とリハビリテーションに大きな恩恵をもたらす可能性がある。 最新の技術は、生体力学モデルでキネマティクスを捉えるのを簡単にしているし、関節角が時間とともにどのように変化するかも分かるが、地面の反応力や関節トルク、筋肉の活性化など、これらの動きを引き起こす基礎となる物理を推測することは依然として難しい。 そこで本研究では、身体障害者と身体障害者の運動の大規模なデータセットから生体力学モデルに適用した模倣学習が、これらの逆ダイナミクスの計算を学べるかどうかを考察する。 近年、人間のポーズ推定における模倣学習は、コンピュータビジョンに採用されたモデルではなく、正確な生体力学的モデルを使用することに重点を置いているが、障害のある運動の参加者を含むデータセットでテストし、関節角や接地接触イベントを含む運動の臨床的測定に関連する詳細な追跡指標を報告し、最終的には筋肉駆動型神経筋骨格モデルに模倣学習を適用する。 提案する模倣学習方針であるKinTwinは、補助装置やセラピスト支援を含む幅広い動作の運動学を正確に再現することができ、関節トルクと筋活動の臨床的に有意な差異を推測できることを示す。 本研究は, 臨床実習において, 模擬学習を用いて高品質な運動分析を可能にする可能性を実証するものである。

関連論文リスト

• Validation of Human Pose Estimation and Human Mesh Recovery for Extracting Clinically Relevant Motion Data from Videos [79.62407455005561]
  人間のポーズ推定を用いたマーカーレスモーションキャプチャは、IMUとMoCapのキネマティクスの結果とインラインで結果を生成する。 生成するデータの品質に関してはまだ改善の余地がありますが、この妥協はエラーの部屋にあると考えています。
  論文  参考訳（メタデータ） (2025-03-18T22:18:33Z)
• 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)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• 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)
• Continual Learning from Simulated Interactions via Multitask Prospective Rehearsal for Bionic Limb Behavior Modeling [0.7922558880545526]
  生体補綴制御の文脈における人間の行動モデルを提案する。 本稿では、時間とともに動きを予測・洗練するマルチタスク・継続的適応モデルを提案する。 我々は,トランスティバイアル・アンプを含む実世界の人間の歩行データセットの実験を通じて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-05-02T09:22:54Z)
• 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)
• ReMoS: 3D Motion-Conditioned Reaction Synthesis for Two-Person Interactions [66.87211993793807]
  本稿では,2人のインタラクションシナリオにおいて,人の全身運動を合成する拡散モデルReMoSを提案する。 ペアダンス,忍術,キックボクシング,アクロバティックといった2人のシナリオでReMoSを実証する。 また,全身動作と指の動きを含む2人のインタラクションに対してReMoCapデータセットを寄贈した。
  論文  参考訳（メタデータ） (2023-11-28T18:59:52Z)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)

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。