Fugu-MT 論文翻訳(概要): Multi-Joint Physics-Informed Deep Learning Framework for Time-Efficient Inverse Dynamics

論文の概要: Multi-Joint Physics-Informed Deep Learning Framework for Time-Efficient Inverse Dynamics

arxiv url: http://arxiv.org/abs/2511.10878v1
Date: Fri, 14 Nov 2025 01:15:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-17 22:42:18.381237
Title: Multi-Joint Physics-Informed Deep Learning Framework for Time-Efficient Inverse Dynamics
Title（参考訳）: 時間効率逆ダイナミクスのための多関節物理インフォームドディープラーニングフレームワーク
Authors: Shuhao Ma, Zeyi Huang, Yu Cao, Wesley Doorsamy, Chaoyang Shi, Jun Li, Zhi-Qiang Zhang,
Abstract要約: 多関節系における筋活動と筋力の時間効率評価は臨床評価と補助装置制御において重要である。筋肉の活性化と力を直接運動学から推定する物理インフォームド・ディープラーニング・フレームワークを提案する。 PI-MJCA-BiGRUは,基本トラストラベルを必要とせず,従来の教師付き手法に匹敵する性能が得られることを示す。
参考スコア（独自算出の注目度）: 14.935995015069487
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Time-efficient estimation of muscle activations and forces across multi-joint systems is critical for clinical assessment and assistive device control. However, conventional approaches are computationally expensive and lack a high-quality labeled dataset for multi-joint applications. To address these challenges, we propose a physics-informed deep learning framework that estimates muscle activations and forces directly from kinematics. The framework employs a novel Multi-Joint Cross-Attention (MJCA) module with Bidirectional Gated Recurrent Unit (BiGRU) layers to capture inter-joint coordination, enabling each joint to adaptively integrate motion information from others. By embedding multi-joint dynamics, inter-joint coupling, and external force interactions into the loss function, our Physics-Informed MJCA-BiGRU (PI-MJCA-BiGRU) delivers physiologically consistent predictions without labeled data while enabling time-efficient inference. Experimental validation on two datasets demonstrates that PI-MJCA-BiGRU achieves performance comparable to conventional supervised methods without requiring ground-truth labels, while the MJCA module significantly enhances inter-joint coordination modeling compared to other baseline architectures.
Abstract（参考訳）: 多関節系における筋活動と筋力の時間効率評価は臨床評価と補助装置制御において重要である。しかし、従来の手法は計算コストが高く、マルチジョイントアプリケーションのための高品質なラベル付きデータセットが欠如している。これらの課題に対処するために,筋肉の活性化と力を直接キネマティクスから推定する物理インフォームド・ディープラーニング・フレームワークを提案する。このフレームワークは、双方向Gated Recurrent Unit (BiGRU) レイヤを備えた新しいMJCAモジュールを使用して、関節間の調整を捕捉し、各関節が他の関節からの動作情報を適応的に統合できるようにする。物理インフォームドMJCA-BiGRU(PI-MJCA-BiGRU)は,多関節ダイナミックス,結合間カップリング,外力相互作用を損失関数に組み込むことで,ラベル付きデータなしで生理的一貫した予測を行い,時間効率の推論を可能にした。 2つのデータセットに対する実験的検証により,PI-MJCA-BiGRUは従来の教師付き手法に匹敵する性能を示し,MJCAモジュールは,他のベースラインアーキテクチャと比較して接合間協調モデリングを著しく向上させることがわかった。

関連論文リスト

Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
論文参考訳（メタデータ） (2025-08-18T02:42:16Z)
Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning [9.49131859415923]
ドメイン一般化型脳波-モーションデコーディングフレームワークであるNeuroDyGaitを提案する。構造化されたコントラスト表現学習とリレーショナルドメインモデリングを使用して、脳波とモーション埋め込みのセマンティックアライメントを実現する。ベンチマークデータセットのクロスオブジェクト歩行復号における適応や優れた性能を必要とせずに、見えない個人に対するゼロショットモーション予測を実現する。
論文参考訳（メタデータ） (2025-06-24T06:03:49Z)
DynSTG-Mamba: Dynamic Spatio-Temporal Graph Mamba with Cross-Graph Knowledge Distillation for Gait Disorders Recognition [0.3517488417793045]
DynTG-Mambaは、DF-STGNNとSTG-Mambaを組み合わせてモーションモデリングを強化する新しいフレームワークである。 DF-STGNNは、骨格関節と時間的相互作用を適応的に調整する動的空間フィルタを組み込んでいる。マンバの拡張であるSTG-Mambaは、計算コストを削減しつつ、状態の継続的な伝播を保証する。
論文参考訳（メタデータ） (2025-03-17T13:26:47Z)
sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics [5.524068837259551]
外骨格とリハビリテーションシステムは、適応的なヒューマン・マシン・インタフェースを用いて、人間の強さと回復を改善する可能性がある。本稿では,SEMGデータから多関節運動のダイナミクスを予測する新しいモデルPiGRNを提案する。 PiGRN は Gated Recurrent Unit (GRU) を使用して時系列のsEMG入力を処理し、マルチジョイントキネマティクスと外部負荷を推定し、トレーニング中に物理ベースの制約を取り入れながら関節トルクを予測する。
論文参考訳（メタデータ） (2024-08-29T15:09:04Z)
Inferring the time-varying coupling of dynamical systems with temporal convolutional autoencoders [0.0]
因果推論のためのテンポラルオートエンコーダ(TACI)を紹介する。 TACIは、2つの頭を持つ新しい機械学習アーキテクチャと因果関係を評価するために、新しい代理データメトリクスを組み合わせる。 TACIが様々なシステム間で動的因果相互作用を正確に定量化できることを実証する。
論文参考訳（メタデータ） (2024-06-05T12:51:20Z)
DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文参考訳（メタデータ） (2024-06-05T06:18:03Z)
Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文参考訳（メタデータ） (2024-03-07T16:17:33Z)
Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文参考訳（メタデータ） (2022-07-20T07:32:02Z)
SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文参考訳（メタデータ） (2022-03-31T02:45:24Z)

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。