論文の概要: SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control

• arxiv url: http://arxiv.org/abs/2603.07618v1
• Date: Sun, 08 Mar 2026 13:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.913194
• Title: SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control
• Title（参考訳）: SMAT: 適応型外骨格制御のための段階的マルチエージェントトレーニング
• Authors: Yifei Yuan, Ghaith Androwis, Xianlian Zhou,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.7061322026474812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective exoskeleton assistance requires co-adaptation: as the device alters joint dynamics, the user reorganizes neuromuscular coordination, creating a non-stationary learning problem. Most learning-based approaches do not explicitly account for the sequential nature of human motor adaptation, leading to training instability and poorly timed assistance. We propose Staged Multi-Agent Training (SMAT), a four-stage curriculum designed to mirror how users naturally acclimate to a wearable device. In SMAT, a musculoskeletal human actor and a bilateral hip exoskeleton actor are trained progressively: the human first learns unassisted gait, then adapts to the added device mass; the exoskeleton subsequently learns a positive assistance pattern against a stabilized human policy, and finally both agents co-adapt with full torque capacity and bidirectional feedback. We implement SMAT in the MyoAssist simulation environment using a 26-muscle lower-limb model and an attached hip exoskeleton. Our musculoskeletal simulations demonstrate that the learned exoskeleton control policy produces an average 10.1% reduction in hip muscle activation relative to the no-assist condition. We validated the learned controller in an offline setting using open-source gait data, then deployed it to a physical hip exoskeleton for treadmill experiments with five subjects. The resulting policy delivers consistent assistance and predominantly positive mechanical power without the need for any explicitly imposed timing shift (mean positive power: 13.6 W at 6 Nm RMS torque to 23.8 W at 9.3 Nm RMS torque, with minimal negative power) consistently across all subjects without subject-specific retraining.
• Abstract（参考訳）: デバイスが関節のダイナミクスを変えると、ユーザーは神経筋の調整を再構築し、非定常的な学習問題を発生させる。 ほとんどの学習に基づくアプローチは、人間の運動適応のシーケンシャルな性質を明示的に説明していない。 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であるSMATを提案する。 SMATでは、筋骨格系ヒトアクターと両側の腰部外骨格系アクターが徐々に訓練され、まずヒトは非アシスト歩行を学習し、次に追加の装置質量に適応し、その後、外骨格系は安定化されたヒトのポリシーに対する肯定的な補助パターンを学習し、最終的には両エージェントが完全な運動能力と双方向のフィードバックに適応する。 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。 学習したコントローラを,オープンソース歩行データを用いてオフラインで検証し,物理的股関節外骨格に配置し,トレッドミル実験を行った。 その結果、明確なタイミングシフト(正の力: 13.6 W トルク 6 Nm RMS トルク 23.8 W トルク 9.3 Nm RMS トルク、最小の負の力)を必要とせず、一貫した補助と主に正の機械力を提供する。

関連論文リスト

• Exoskeleton Control through Learning to Reduce Biological Joint Moments in Simulations [0.0]
  データ駆動型ジョイントモーメント予測器は、推定と外骨格制御のために実験室ベースの逆力学パイプラインに代わるスケーラブルな代替手段を提供する。 物理に基づく強化学習は、シミュレーション訓練されたコントローラが動的に認識される支援戦略を学習することを可能にする。 本稿では,(1)生体関節のモーメントを低減するための外骨格補助政策を学習するためのRLフレームワーク,(2)訓練された制御ネットワークを検証する検証パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-08T13:31:06Z)
• Learning Hip Exoskeleton Control Policy via Predictive Neuromusculoskeletal Simulation [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-04T15:23:50Z)
• ResMimic: From General Motion Tracking to Humanoid Whole-body Loco-Manipulation via Residual Learning [59.64325421657381]
  ヒューマノイド全体のロコ操作は、日々のサービスや倉庫のタスクにトランスフォーメーション機能を約束する。 ResMimicは、人間の動作データから正確に表現力のあるヒューマノイド制御のための2段階の残差学習フレームワークである。 結果は、強いベースラインよりもタスク成功、トレーニング効率、堅牢性が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-10-06T17:47:02Z)
• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• 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)
• 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)
• 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)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• 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。