論文の概要: Exo-Plore: Exploring Exoskeleton Control Space through Human-aligned Simulation

• arxiv url: http://arxiv.org/abs/2601.22550v1
• Date: Fri, 30 Jan 2026 04:45:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.225962
• Title: Exo-Plore: Exploring Exoskeleton Control Space through Human-aligned Simulation
• Title（参考訳）: Exo-Plore:人間によるシミュレーションによるエクソスケルトン制御空間の探索
• Authors: Geonho Leem, Jaedong Lee, Jehee Lee, Seungmoon Song, Jungdam Won,
• Abstract要約: エクソスケルトンコントローラを最適化するための現在のアプローチは、参加者が何時間も歩かなければならない広範囲な人間実験を必要とする。 我々は,神経機械シミュレーションと深層歩行学習を組み合わせたシミュレーションフレームワークであるExo-ploreを提案し,実際の人体実験を必要とせず,股関節外骨格補助を最適化する。
• 参考スコア（独自算出の注目度）: 5.81912655886486
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Exoskeletons show great promise for enhancing mobility, but providing appropriate assistance remains challenging due to the complexity of human adaptation to external forces. Current state-of-the-art approaches for optimizing exoskeleton controllers require extensive human experiments in which participants must walk for hours, creating a paradox: those who could benefit most from exoskeleton assistance, such as individuals with mobility impairments, are rarely able to participate in such demanding procedures. We present Exo-plore, a simulation framework that combines neuromechanical simulation with deep reinforcement learning to optimize hip exoskeleton assistance without requiring real human experiments. Exo-plore can (1) generate realistic gait data that captures human adaptation to assistive forces, (2) produce reliable optimization results despite the stochastic nature of human gait, and (3) generalize to pathological gaits, showing strong linear relationships between pathology severity and optimal assistance.
• Abstract（参考訳）: 外骨格は移動性を高めるための大きな可能性を秘めているが、人間の外力への適応が複雑になるため、適切な支援を提供することは依然として困難である。 運動障害のある人など、外骨格の補助によって最も恩恵を受けることができる人は、このような要求された手順に参加することはめったにない。 本稿では,神経機械シミュレーションと深部強化学習を組み合わせたシミュレーションフレームワークであるExo-ploreを紹介し,実際の人体実験を必要とせず,股関節外骨格補助を最適化する。 Exo-plore can generated real gait data that captures human adaptation to assistive force, (2) produce reliable optimization results of the stochastic nature of human gait, and (3) generalize to pathological gait, showed strong linear relationship between pathology severity and optimal aid。

関連論文リスト

• Toward Humanoid Brain-Body Co-design: Joint Optimization of Control and Morphology for Fall Recovery [55.951691393378354]
  フォールリカバリのためのスケーラブルなヒューマノイド共同設計フレームワークであるRoboCraftを提案する。 複数の設計にまたがって事前訓練された共有ポリシーは、ハイパフォーマンスな形態に対して徐々に微調整される。 実験の結果、RoboCraftは7つの公用ヒューマノイドロボットで平均44.55%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2025-10-25T15:40:18Z)
• CEDex: Cross-Embodiment Dexterous Grasp Generation at Scale from Human-like Contact Representations [53.37721117405022]
  クロス・エボディメント・デキスタラス・グリップ合成(Cross-Embodiment dexterous grasp synthesis)とは、様々なロボットハンドのグリップを適応的に生成し、最適化することである。 そこで我々は,CEDexを提案する。 これまでで最大のクロス・エボディメント・グラウンド・データセットを構築し、合計20万のグリップを持つ4つのタイプにまたがる500万のオブジェクトからなる。
  論文  参考訳（メタデータ） (2025-09-29T12:08:04Z)
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
  本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。 未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
  論文  参考訳（メタデータ） (2025-02-27T18:59:52Z)
• DexterityGen: Foundation Controller for Unprecedented Dexterity [67.15251368211361]
  ツール使用など,ロボットの巧妙な操作スキルを教えることは,大きな課題となる。 現在のアプローチは、人間の遠隔操作(模倣学習)とシミュレート・トゥ・リアル強化学習(sim-to-real reinforcement learning)の2つの戦略に大別できる。 本稿では,手動回転や翻訳などの大規模動きプリミティブをRLで事前学習するDexterityGenを紹介する。 現実の世界では、人間の遠隔操作をコントローラーのプロンプトとして利用し、厳密な振る舞いを生み出す。
  論文  参考訳（メタデータ） (2025-02-06T18:49:35Z)
• Enhanced Human-Robot Collaboration using Constrained Probabilistic Human-Motion Prediction [5.501477817904299]
  本研究では,人間の関節の制約とシーンの制約を組み込んだ新しい動き予測フレームワークを提案する。 人間の腕のキネマティックモデルでテストされ、UR5ロボットアームと人間とロボットの協調的な設定で実装されている。
  論文  参考訳（メタデータ） (2023-10-05T05:12:14Z)
• Natural and Robust Walking using Reinforcement Learning without Demonstrations in High-Dimensional Musculoskeletal Models [29.592874007260342]
  人間は複雑な自然環境の中を歩く頑丈な二足歩行で運動します。 神経系が筋骨格の冗長性をどのように解決し、多目的制御問題を解決するかは、まだ完全には分かっていない。
  論文  参考訳（メタデータ） (2023-09-06T13:20:31Z)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)
• DEP-RL: Embodied Exploration for Reinforcement Learning in Overactuated and Musculoskeletal Systems [14.295720603503806]
  大規模な筋骨格モデルの強化学習は、同様の性能を示すことができない。 我々は、大きな過度な作用空間における非効率な探索が重要な問題であると予想する。 筋骨格系において,DEPをRLに統合することにより,手を伸ばしたり移動したりする学習を高速に行うことができる。
  論文  参考訳（メタデータ） (2022-05-30T15:52:54Z)

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。