論文の概要: Increasing Interaction Fidelity: Training Routines for Biomechanical Models in HCI

• arxiv url: http://arxiv.org/abs/2508.16581v1
• Date: Tue, 05 Aug 2025 13:39:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-31 21:54:20.560651
• Title: Increasing Interaction Fidelity: Training Routines for Biomechanical Models in HCI
• Title（参考訳）: 相互作用の忠実度の向上:HCIにおける生体力学モデルのためのルーチンの訓練
• Authors: Michał Patryk Miazga, Patrick Ebel,
• Abstract要約: 強化学習を用いたバイオメカニカルモデルの訓練は,特に精密かつ巧妙な動作において困難である。 現在のアプローチは相互作用の忠実度に制限されており、複雑さを減らすために基盤となる生体力学モデルを制限することが必要であり、うまく一般化しない。 本研究では,訓練時間を短縮し,既存の手法を超えて相互作用の忠実度を高め,より複雑な生体力学モデルの使用を可能にする訓練ルーチンの実践的改善を提案する。
• 参考スコア（独自算出の注目度）: 1.8385321286452745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomechanical forward simulation holds great potential for HCI, enabling the generation of human-like movements in interactive tasks. However, training biomechanical models with reinforcement learning is challenging, particularly for precise and dexterous movements like those required for touchscreen interactions on mobile devices. Current approaches are limited in their interaction fidelity, require restricting the underlying biomechanical model to reduce complexity, and do not generalize well. In this work, we propose practical improvements to training routines that reduce training time, increase interaction fidelity beyond existing methods, and enable the use of more complex biomechanical models. Using a touchscreen pointing task, we demonstrate that curriculum learning, action masking, more complex network configurations, and simple adjustments to the simulation environment can significantly improve the agent's ability to learn accurate touch behavior. Our work provides HCI researchers with practical tips and training routines for developing better biomechanical models of human-like interaction fidelity.
• Abstract（参考訳）: バイオメカニカルフォワードシミュレーションはHCIに大きな可能性を秘めており、対話的なタスクにおける人間のような動きの生成を可能にする。 しかし、強化学習を用いたバイオメカニクスモデルのトレーニングは、特にモバイルデバイスでのタッチスクリーンインタラクションに必要なような、正確で巧妙な動きに対して難しい。 現在のアプローチは相互作用の忠実度に制限されており、複雑さを減らすために基盤となる生体力学モデルを制限する必要があり、うまく一般化しない。 本研究では,訓練時間を短縮し,既存の手法を超えて相互作用の忠実度を高め,より複雑な生体力学モデルの使用を可能にする訓練ルーチンの実践的改善を提案する。 タッチスクリーンポインティングタスクを用いて、カリキュラム学習、アクションマスキング、より複雑なネットワーク構成、シミュレーション環境への簡単な調整により、エージェントの正確なタッチ動作の学習能力が大幅に向上することを示した。 我々の研究は、HCI研究者に、人間のような相互作用の忠実さのより良い生体力学的モデルを開発するための実践的なヒントと訓練ルーチンを提供する。

関連論文リスト

• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
  Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。 本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。 我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
  論文  参考訳（メタデータ） (2025-08-04T06:35:48Z)
• Dexterous Manipulation through Imitation Learning: A Survey [28.04590024211786]
  イミテーションラーニング(IL)は、ロボットが専門家によるデモンストレーションから直接巧妙な操作スキルを習得できるようにすることによって、代替手段を提供する。 ILは、明示的なモデリングと大規模な試行錯誤の必要性を回避しながら、きめ細かい調整と接触ダイナミクスをキャプチャする。 私たちのゴールは、研究者や実践者たちに、この急速に進化する領域の包括的紹介を提供することです。
  論文  参考訳（メタデータ） (2025-04-04T15:14:38Z)
• Biomechanics-Guided Residual Approach to Generalizable Human Motion Generation and Estimation [21.750804738752105]
  3つの中心となるイノベーションを持つバイオメカニック・アウェア・フレームワークであるBioVAEを提案する。 複数のベンチマークにおいて,BioVAEが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-03-08T10:22:36Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)
• Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
  人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。 人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。 本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-07-24T12:21:33Z)
• 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)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)

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。