論文の概要: Reinforcement-Learning-Based Assistance Reduces Squat Effort with a Modular Hip--Knee Exoskeleton

• arxiv url: http://arxiv.org/abs/2602.17794v1
• Date: Thu, 19 Feb 2026 19:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.585398
• Title: Reinforcement-Learning-Based Assistance Reduces Squat Effort with a Modular Hip--Knee Exoskeleton
• Title（参考訳）: モジュール型ヒップニーエキソスケルトンによる強化学習支援によるスクワット効果の低減
• Authors: Neethan Ratnakumar, Mariya Huzaifa Tohfafarosh, Saanya Jauhri, Xianlian Zhou,
• Abstract要約: スクワット作業を支援するために設計されたモジュール型Hip-Kneeexoskeletonに対するニューラルネットワークコントローラの有効性を評価した。 このコントローラは、最近の関節角度と速度履歴に基づいて、リアルタイムの股関節と膝のアシストトルクを生成した。 その結果,RLをベースとした制御器は,各被験者の運動量やタイミングに合わせてトルクプロファイルを生成することで個人に適応することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Squatting is one of the most demanding lower-limb movements, requiring substantial muscular effort and coordination. Reducing the physical demands of this task through intelligent and personalized assistance has significant implications, particularly in industries involving repetitive low-level assembly activities. In this study, we evaluated the effectiveness of a neural network controller for a modular Hip-Knee exoskeleton designed to assist squatting tasks. The neural network controller was trained via reinforcement learning (RL) in a physics-based, human-exoskeleton interaction simulation environment. The controller generated real-time hip and knee assistance torques based on recent joint-angle and velocity histories. Five healthy adults performed three-minute metronome-guided squats under three conditions: (1) no exoskeleton (No-Exo), (2) exoskeleton with Zero-Torque, and (3) exoskeleton with active assistance (Assistance). Physiological effort was assessed using indirect calorimetry and heart rate monitoring, alongside concurrent kinematic data collection. Results show that the RL-based controller adapts to individuals by producing torque profiles tailored to each subject's kinematics and timing. Compared with the Zero-Torque and No-Exo condition, active assistance reduced the net metabolic rate by approximately 10%, with minor reductions observed in heart rate. However, assisted trials also exhibited reduced squat depth, reflected by smaller hip and knee flexion. These preliminary findings suggest that the proposed controller can effectively lower physiological effort during repetitive squatting, motivating further improvements in both hardware design and control strategies.
• Abstract（参考訳）: スクワットは最も要求の少ない下肢運動の1つであり、かなりの筋肉的な努力と調整を必要としている。 知的かつパーソナライズされた支援を通じて、このタスクの物理的要求を減らすことは、特に反復的な低レベルなアセンブリ活動を含む産業において重要な意味を持つ。 本研究では, スクワット作業を支援するために設計されたモジュール型Hip-Kneeexoskeletonに対するニューラルネットワークコントローラの有効性について検討した。 ニューラルネットワークコントローラは、物理学に基づく人間-外骨格相互作用シミュレーション環境で強化学習(RL)によって訓練された。 このコントローラは、最近の関節角度と速度履歴に基づいて、リアルタイムの股関節と膝のアシストトルクを生成した。 健常成人5人は,(1)外骨格 (No-Exo) ,(2)外骨格 (Zero-Torque) ,(3)外骨格 (Assistance) の3つの条件で3分間のメトロノーム誘導スクワットを行った。 間接的カロリー測定と心拍モニタリングと同時運動データ収集による生理的努力の評価を行った。 その結果,RLをベースとした制御器は,各被験者の運動量やタイミングに合わせてトルクプロファイルを生成することで個人に適応することがわかった。 Zero-Torque と No-Exo の条件と比較すると, 活性型補助薬は代謝率を約10%低下させ, 心拍数ではわずかに低下した。 しかし, 人工股関節は軽快し, 股関節屈曲と膝関節屈曲が軽快した。 これらの予備的な知見は, 繰り返ししゃがんだ時の生理的労力を効果的に低減し, ハードウェア設計および制御戦略のさらなる改善を動機付けることを示唆している。

関連論文リスト

• Muscle Synergy Priors Enhance Biomechanical Fidelity in Predictive Musculoskeletal Locomotion Simulation [0.0]
  ヒトの移動は高次元の神経筋制御から始まり、予測的な筋骨格シミュレーションを困難にしている。 筋シナジーを用いた制御を制約する生理インフォームド強化学習フレームワークを提案する。 これらの結果から, 強化学習に神経生理学的構造を組み込むことで, 限られた実験データを用いた予測的移動シミュレーションにおいて, 生体力学的忠実度と一般化が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-03-11T06:48:15Z)
• SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control [1.7061322026474812]
  本研究では,ユーザがウェアラブルデバイスに自然に順応する方法を反映した4段階のカリキュラムを提案する。 筋無力症シミュレーション環境において,26筋下肢モデルと腰部外骨格を併用したSMATを実装した。 筋骨格シミュレーションにより、学習した外骨格の制御は、無力状態と比較して平均10.1%の股関節筋活性化を減少させることが示された。
  論文  参考訳（メタデータ） (2026-03-08T13:06:36Z)
• 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)
• Adaptive Torque Control of Exoskeletons under Spasticity Conditions via Reinforcement Learning [0.0]
  膝外骨格に対する深部強化学習(RL)による新しい適応型トルク制御器について述べる。 模擬膝伸展運動の結果から, 味覚レベルが異なる個人に対して, エージェントが外骨格を制御できることが判明した。
  論文  参考訳（メタデータ） (2025-03-14T14:22:09Z)
• Bridging Structural Dynamics and Biomechanics: Human Motion Estimation through Footstep-Induced Floor Vibrations [2.7180946990643466]
  既存のアプローチには、カメラ、ウェアラブル、圧力マットなどの監視デバイスが含まれる。 歩行誘発床振動を利用して下肢関節運動を推定する。 本モデルでは,身体と床間の情報共有を可能とし,不確実性を低減するために物理的制約を課す。
  論文  参考訳（メタデータ） (2025-02-21T20:10:15Z)
• Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations [64.98299559470503]
  マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。 227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。 ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
  論文  参考訳（メタデータ） (2024-10-31T18:28:53Z)
• Machine Learning-based Estimation of Respiratory Fluctuations in a Healthy Adult Population using BOLD fMRI and Head Motion Parameters [39.96015789655091]
  多くのfMRI研究では、呼吸信号が欠如しているか、品質が悪いことがしばしばある。 周辺記録装置を必要とせずに、fMRIデータから直接呼吸変動(RV)波形を抽出するツールを持つことは、非常に有益である。 本研究では,頭部運動パラメータとBOLD信号を用いたRV波形再構成のためのCNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-30T21:53:11Z)
• Advancements in Upper Body Exoskeleton: Implementing Active Gravity Compensation with a Feedforward Controller [0.0]
  上肢外骨格におけるアクティブ重力補償のためのフィードフォワード制御システムを提案する。 このシステムは、Newton-Euler Inverse Dynamicsに基づく解析的制御方程式を用いて、内部モーターセンサからの位置データのみを用いてトルクを計算する。
  論文  参考訳（メタデータ） (2023-09-09T06:39:38Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)

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。