論文の概要: MyoInteract: A Framework for Fast Prototyping of Biomechanical HCI Tasks using Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2602.15245v1
- Date: Mon, 16 Feb 2026 22:51:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-18 16:03:17.931378
- Title: MyoInteract: A Framework for Fast Prototyping of Biomechanical HCI Tasks using Reinforcement Learning
- Title（参考訳）: 強化学習を用いたバイオメカニカルHCIタスクの高速プロトタイピングのためのMyoInteract
- Authors: Ankit Bhattarai, Hannah Selder, Florian Fischer, Arthur Fleig, Per Ola Kristensson,
- Abstract要約: myoInteractは、生体力学的相互作用設計タスクの高速プロトタイピングのための新しいフレームワークである。
筋肉作動型ユーザーを数分で訓練し評価し、トレーニング時間を最大98%短縮する。
バイオメカニカルRLを1日単位のエキスパートタスクから1時間単位のワークフローに変換することで、インタラクション設計研究における参入障壁を大幅に低減し、サイクルを加速する。
- 参考スコア（独自算出の注目度）: 26.6829501816964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reinforcement learning (RL)-based biomechanical simulations have the potential to revolutionise HCI research and interaction design, but currently lack usability and interpretability. Using the Human Action Cycle as a design lens, we identify key limitations of biomechanical RL frameworks and develop MyoInteract, a novel framework for fast prototyping of biomechanical HCI tasks. MyoInteract allows designers to setup tasks, user models, and training parameters from an easy-to-use GUI within minutes. It trains and evaluates muscle-actuated simulated users within minutes, reducing training times by up to 98%. A workshop study with 12 interaction designers revealed that MyoInteract allowed novices in biomechanical RL to successfully setup, train, and assess goal-directed user movements within a single session. By transforming biomechanical RL from a days-long expert task into an accessible hour-long workflow, this work significantly lowers barriers to entry and accelerates iteration cycles in HCI biomechanics research.
- Abstract（参考訳）: 強化学習(RL)に基づく生体力学シミュレーションは、HCIの研究と相互作用設計に革命をもたらす可能性があるが、現在は使用性と解釈性に欠ける。
ヒューマンアクションサイクルを設計レンズとして,生体力学的RLフレームワークの重要な限界を特定し,生体力学的HCIタスクを高速にプロトタイピングするための新しいフレームワークであるMyoInteractを開発する。
myoInteractを使うと、デザイナーは簡単に使えるGUIからタスク、ユーザーモデル、およびトレーニングパラメータを数分で設定できる。
筋肉作動型ユーザーを数分で訓練し評価し、トレーニング時間を最大98%短縮する。
12人のインタラクションデザイナによるワークショップスタディでは,MyoInteractはバイオメカニカルRLの初心者に対して,1回のセッションで目標指向のユーザ動作の設定,トレーニング,評価を成功させることができた。
バイオメカニカルRLを1日単位のエキスパートタスクから1時間単位のワークフローに変換することにより、HCIバイオメカニクス研究における参入障壁を大幅に減らし、反復サイクルを加速する。
関連論文リスト
- Bohrium + SciMaster: Building the Infrastructure and Ecosystem for Agentic Science at Scale [82.20980951765891]
エージェントサイエンスのスケーリングにはインフラストラクチャ・アンド・エコシステムアプローチが必要である,と我々は主張する。
BohriumはAI4S資産のマネージドでトレース可能なハブとして機能し、多様な科学データ、ソフトウェア、計算、実験室のシステムをエージェント対応の能力に変換する。
SciMasterはこれらの機能を長い水平科学に編成し、科学エージェントを合成して実行することができる。
論文 参考訳（メタデータ） (2025-12-23T16:04:41Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - Talking Tennis: Language Feedback from 3D Biomechanical Action Recognition [0.0]
本研究は,運動データから重要な生体力学的特徴を抽出する新しい枠組みを開発する。
これらの特徴は脳卒中の有効性と外傷リスクに影響を及ぼす関係を解析し、フィードバック生成の基礎を形成する。
実験的な設定は、分類性能と解釈可能性に関するこのフレームワークを評価し、説明可能なAIとスポーツバイオメカニクスのギャップを埋める。
論文 参考訳（メタデータ） (2025-10-04T19:55:30Z) - Increasing Interaction Fidelity: Training Routines for Biomechanical Models in HCI [1.8385321286452745]
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。
論文 参考訳（メタデータ） (2025-08-05T13:39:30Z) - 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) - 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) - 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) - 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) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。
部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
論文 参考訳（メタデータ） (2020-03-19T00:11:34Z) - VOR Adaptation on a Humanoid iCub Robot Using a Spiking Cerebellar Model [0.0]
我々は、本物のロボット体(iCub)を操作することができる適応リアルタイム制御ループに、スパイク小脳モデルを組み込む。
本研究の目的は、小脳神経基質と分散可塑性の組み合わせが小脳神経活動を形作って運動適応を仲介する方法を明らかにすることである。
論文 参考訳（メタデータ） (2020-03-03T09:48:15Z)
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。