Fugu-MT 論文翻訳(概要): Learning Hip Exoskeleton Control Policy via Predictive Neuromusculoskeletal Simulation

論文の概要: Learning Hip Exoskeleton Control Policy via Predictive Neuromusculoskeletal Simulation

arxiv url: http://arxiv.org/abs/2603.04166v1
Date: Wed, 04 Mar 2026 15:23:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-05 21:29:15.370529
Title: Learning Hip Exoskeleton Control Policy via Predictive Neuromusculoskeletal Simulation
Title（参考訳）: 予測型神経筋骨格シミュレーションによる股関節外骨格制御の学習
Authors: Ilseung Park, Changseob Song, Inseung Kang,
Abstract要約: 本稿では,ヒップ・エキソスケルトン制御ポリシをシミュレーションで完全に訓練する物理に基づく神経筋骨格学習フレームワークを提案する。強化学習教師の政策は、幅広い歩行速度と斜面に先立って筋神経活動を用いて訓練される。シミュレーションでは、エキソスケルトンアシストにより、平均筋活動量が3.4%まで減少し、平均正のジョイントパワーが7.0%まで上昇する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Developing exoskeleton controllers that generalize across diverse locomotor conditions typically requires extensive motion-capture data and biomechanical labeling, limiting scalability beyond instrumented laboratory settings. Here, we present a physics-based neuromusculoskeletal learning framework that trains a hip-exoskeleton control policy entirely in simulation, without motion-capture demonstrations, and deploys it on hardware via policy distillation. A reinforcement learning teacher policy is trained using a muscle-synergy action prior over a wide range of walking speeds and slopes through a two-stage curriculum, enabling direct comparison between assisted and no-exoskeleton conditions. In simulation, exoskeleton assistance reduces mean muscle activation by up to 3.4% and mean positive joint power by up to 7.0% on level ground and ramp ascent, with benefits increasing systematically with walking speed. On hardware, the assistance profiles learned in simulation are preserved across matched speed-slope conditions (r: 0.82, RMSE: 0.03 Nm/kg), providing quantitative evidence of sim-to-real transfer without additional hardware tuning. These results demonstrate that physics-based neuromusculoskeletal simulation can serve as a practical and scalable foundation for exoskeleton controller development, substantially reducing experimental burden during the design phase.
Abstract（参考訳）: 様々な運動条件にまたがって一般化するエクソスケルトンコントローラの開発には、典型的には広範なモーションキャプチャーデータとバイオメカニカルラベリングが必要であり、実験室の設定以上のスケーラビリティを制限している。本稿では, ヒップ・エキソスケルトン制御をシミュレーションで完全に訓練し, モーションキャプチャー・デモなしでハードウェア上に展開する物理ベースの神経筋骨格学習フレームワークを提案する。強化学習教師の方針は、2段階のカリキュラムを通じて、幅広い歩行速度と斜面に先立って筋神経活動を用いて訓練され、補助的条件と非エクソスケルトン条件の直接比較が可能である。シミュレーションでは、エキソスケルトンアシストは平均筋活動量を最大3.4%減らし、平均正のジョイントパワーを最大7.0%減らし、歩行速度を体系的に増加させる。ハードウェア上では、シミュレーションで得られた補助プロファイルは、一致した速度傾斜条件(r: 0.82, RMSE: 0.03 Nm/kg)で保存され、追加のハードウェアチューニングなしでsim-to-real転送の定量的証拠を提供する。これらの結果は、物理学に基づく神経筋骨格シミュレーションが、エキソスケルトンコントローラ開発のための実用的でスケーラブルな基礎となり、設計段階での実験的負担を大幅に軽減できることを示している。

関連論文リスト

Massively Parallel Imitation Learning of Mouse Forelimb Musculoskeletal Reaching Dynamics [0.5487412578664687]
本稿では,神経科学研究室からキネマティックスデータを収集し,生体力学モデルでそれらの自然な動きを再現するためのパイプラインを作成する。我々は,模擬物理環境における筋骨格モデルを用いて,器用な前肢到達作業を行うための模倣学習フレームワークを実装した。
論文参考訳（メタデータ） (2025-11-26T19:23:14Z)
MIMIC-MJX: Neuromechanical Emulation of Animal Behavior [4.293092689005449]
MIMIC-MJXは、キネマティックスから生物学的に証明可能な神経制御ポリシーを学ぶためのフレームワークである。我々の実装は正確で、高速で、データ効率が良く、多様な動物体モデルに一般化できる。
論文参考訳（メタデータ） (2025-11-25T17:34:38Z)
Musculoskeletal simulation of limb movement biomechanics in Drosophila melanogaster [32.89880065783502]
ショウジョウバエの足の最初の3Dデータ駆動筋骨格モデルを紹介した。複数の固定標本からの高分解能X線スキャンに基づくヒル型筋肉表現を応用した。本モデルにより, 実験的に抽出可能なモデル生物における運動制御の解明が可能となった。
論文参考訳（メタデータ） (2025-09-08T08:21:14Z)
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)
Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文参考訳（メタデータ） (2025-03-13T17:48:35Z)
GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文参考訳（メタデータ） (2024-12-23T18:58:17Z)
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)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
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)
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)

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。