論文の概要: Beyond Motion Imitation: Is Human Motion Data Alone Sufficient to Explain Gait Control and Biomechanics?

• arxiv url: http://arxiv.org/abs/2603.12408v1
• Date: Thu, 12 Mar 2026 19:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.744561
• Title: Beyond Motion Imitation: Is Human Motion Data Alone Sufficient to Explain Gait Control and Biomechanics?
• Title（参考訳）: モーション・イミテーションを超えて:人間のモーションデータは歩行制御とバイオメカニクスで十分か?
• Authors: Xinyi Liu, Jangwhan Ahn, Edgar Lobaton, Jennie Si, He Huang,
• Abstract要約: 報酬項として使用される足場相互作用測定は、人間の歩行運動学と運動学推定に影響を及ぼす。 バイオメカニクスやウェアラブルロボットの共設計といった人間関係の研究領域に模倣学習を適用する場合、運動学に基づく報酬形成が必要であることが示唆されている。
• 参考スコア（独自算出の注目度）: 17.401800281759606
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the growing interest in motion imitation learning (IL) for human biomechanics and wearable robotics, this study investigates how additional foot-ground interaction measures, used as reward terms, affect human gait kinematics and kinetics estimation within a reinforcement learning-based IL framework. Results indicate that accurate reproduction of forward kinematics alone does not ensure biomechanically plausible joint kinetics. Adding foot-ground contacts and contact forces to the IL reward terms enables the prediction of joint moments in forward walking simulation, which are significantly closer to those computed by inverse dynamics. This finding highlights a fundamental limitation of motion-only IL approaches, which may prioritize kinematics matching over physical consistency. Incorporating kinetic constraints, particularly ground reaction force and center of pressure information, significantly enhances the realism of internal and external kinetics. These findings suggest that, when imitation learning is applied to human-related research domains such as biomechanics and wearable robot co-design, kinetics-based reward shaping is necessary to achieve physically consistent gait representations.
• Abstract（参考訳）: 本研究は,ヒトの生体力学およびウェアラブルロボティクスにおける動作模倣学習(IL)への関心の高まりとともに,強化学習に基づくILフレームワークにおいて,報酬項として使用される足場間相互作用が人間の歩行運動学および運動学推定に与える影響について検討する。 その結果, 前方運動学単独での正確な再生は, 生体力学的に妥当な関節運動学を確実にするものではないことが示唆された。 IL報酬項に足場接触と接触力を加えることで、前方歩行シミュレーションにおける関節モーメントの予測が可能となり、これは逆ダイナミクスによって計算されたものとかなり近い。 この発見は、運動のみのILアプローチの基本的な制限を強調しており、物理的整合性よりもキネマティクスマッチングを優先する可能性がある。 運動論的制約、特に接地反応力と圧力情報の中心を組み込むことは、内部および外部の運動学の現実性を大幅に向上させる。 これらの結果から, 生体力学やウェアラブルロボットの共設計といった人間関係の研究領域に模倣学習を適用した場合には, 運動学に基づく報酬形成が, 物理的に一貫した歩行表現を実現するために必要であることが示唆された。

関連論文リスト

• MonoMSK: Monocular 3D Musculoskeletal Dynamics Estimation [9.3102957142944]
  データ駆動学習と物理に基づくシミュレーションを橋渡しするハイブリッドフレームワークであるMonoMSKを紹介する。 MonoMSKは解剖学的に正確な筋骨格モデルにより運動学(運動)と運動学(力とトルク)の両方を共同で回復させる。 BML-MoVi、BEDLAM、OpenCapの実験では、MonoMSKはキネマティックな精度で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-24T17:20:17Z)
• Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
  Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。 本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。 我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
  論文  参考訳（メタデータ） (2025-08-04T06:35:48Z)
• Half-Physics: Enabling Kinematic 3D Human Model with Physical Interactions [89.88331682333198]
  SMPL-Xを周囲との動的物理的相互作用が可能な有形実体に埋め込む新しい手法を提案する。 本手法は,シーンやオブジェクトとの物理的に妥当な相互作用を確保しつつ,固有のSMPL-Xポーズの運動制御を維持する。 広範かつ複雑な訓練を必要とする強化学習法とは異なり、ハーフフィック法は学習自由であり、あらゆる身体形状や運動に一般化する。
  論文  参考訳（メタデータ） (2025-07-31T17:58:33Z)
• KinTwin: Imitation Learning with Torque and Muscle Driven Biomechanical Models Enables Precise Replication of Able-Bodied and Impaired Movement from Markerless Motion Capture [2.44755919161855]
  高品質な運動分析は、運動科学とリハビリテーションに大きな恩恵をもたらす可能性がある。 臨床実習において,模擬学習を用いて高品質な運動分析を可能にする可能性を示す。
  論文  参考訳（メタデータ） (2025-05-19T17:58:03Z)
• 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)
• 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)
• 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)

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。