論文の概要: Skill-informed Data-driven Haptic Nudges for High-dimensional Human Motor Learning

• arxiv url: http://arxiv.org/abs/2603.12583v1
• Date: Fri, 13 Mar 2026 02:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.743785
• Title: Skill-informed Data-driven Haptic Nudges for High-dimensional Human Motor Learning
• Title（参考訳）: 高次元人体運動学習のためのスキルインフォームドデータ駆動型ハプティックナッジ
• Authors: Ankur Kamboj, Rajiv Ranganathan, Xiaobo Tan, Vaibhav Srivastava,
• Abstract要約: まず、入出力隠れマルコフモデル(IOHMM)を用いた人間の運動学習のダイナミクスをモデル化する。 次に、部分観測可能なマルコフ決定プロセス(POMDP)として、ハプティック・ナッジフィードバック設計問題を定式化する。 これにより、長期的なパフォーマンスコストを最小限に抑える最適なヌーディングポリシーを導出できます。 その結果,POMDP由来の政策を訓練した被験者は,タスク性能が有意に向上したことがわかった。
• 参考スコア（独自算出の注目度）: 0.5949779668853555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a data-driven skill-informed framework to design optimal haptic nudge feedback for high-dimensional novel motor learning tasks. We first model the stochastic dynamics of human motor learning using an Input-Output Hidden Markov Model (IOHMM), which explicitly decouples latent skill evolution from observable kinematic emissions. Leveraging this predictive model, we formulate the haptic nudge feedback design problem as a Partially Observable Markov Decision Process (POMDP). This allows us to derive an optimal nudging policy that minimizes long-term performance cost, implicitly guiding the learner toward robust regions of the skill space. We validated our approach through a human-subject study ($N=30$) using a high-dimensional hand-exoskeleton task. Results demonstrate that participants trained with the POMDP-derived policy exhibited significantly accelerated task performance compared to groups receiving heuristic-based feedback or no feedback. Furthermore, synergy analysis revealed that the POMDP group discovered efficient low-dimensional motor representations more rapidly.
• Abstract（参考訳）: 本研究では,高次元新しい運動学習タスクに最適な触覚フィードバックを設計するための,データ駆動型スキルインフォームドフレームワークを提案する。 まず, インプット・アウトプット・ハイデンマルコフモデル(IOHMM)を用いて, 人間の運動学習の確率力学をモデル化した。 この予測モデルを活用することで、ハプティック・ナッジフィードバック設計問題を部分観測可能なマルコフ決定プロセス(POMDP)として定式化する。 これにより、学習者がスキル空間の堅牢な領域に向けて暗黙的に導くことによって、長期的パフォーマンスコストを最小限に抑える最適なヌーディングポリシーを導出することができる。 我々は,高次元手指骨格を用いた人体実験(N=30ドル)によるアプローチの検証を行った。 以上の結果から,POMDPに基づく政策を訓練した被験者は,ヒューリスティックなフィードバックを受けた群やフィードバックを受けなかった群に比べて,タスクパフォーマンスが有意に向上したことが示された。 さらに, シナジー解析の結果, POMDP群はより高速に低次元運動の表現が検出された。

関連論文リスト

• LVLM-Aided Alignment of Task-Specific Vision Models [49.96265491629163]
  タスク固有の視覚モデルは、高い領域において不可欠である。 本稿では,タスク固有の視覚モデルと人間のドメイン知識を協調する,新しい,効率的な手法を提案する。 提案手法は, モデル動作と人間の仕様との整合性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-26T11:11:25Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Seeing Eye to AI: Human Alignment via Gaze-Based Response Rewards for Large Language Models [46.09562860220433]
  暗黙のフィードバック(特に眼球追跡(ET)データ)をReward Model(RM)に統合する新しいフレームワークであるGazeRewardを紹介します。 提案手法は、確立された人間の嗜好データセット上でのRMの精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T13:24:56Z)
• Less is More: Efficient Brain-Inspired Learning for Autonomous Driving Trajectory Prediction [26.14918154872732]
  本稿では,Human-Like Trajectory Prediction Model (H++)を提案する。 H++は自律運転(AD)の軌道予測を改善するために人間の認知過程をエミュレートする NGSIM、HighD、MoCADベンチマークを用いて評価すると、H++は既存のモデルよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-07-09T16:42:17Z)
• A Cognitive-Based Trajectory Prediction Approach for Autonomous Driving [21.130543517747995]
  本稿では,教師による知識蒸留の枠組みを取り入れたHuman-Like Trajectory Prediction (H)モデルを提案する。 教師」モデルは人間の脳、特に後頭葉と側頭葉の機能の視覚的処理を模倣する。 学生」モデルはリアルタイムのインタラクションと意思決定に焦点を合わせ、正確な予測のために重要な知覚的手がかりを捉えます。
  論文  参考訳（メタデータ） (2024-02-29T15:22:26Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• Provable Reward-Agnostic Preference-Based Reinforcement Learning [61.39541986848391]
  PbRL(Preference-based Reinforcement Learning)は、RLエージェントが、軌道上のペアワイドな嗜好に基づくフィードバックを用いてタスクを最適化することを学ぶパラダイムである。 本稿では,隠れた報酬関数の正確な学習を可能にする探索軌道を求める理論的報酬非依存PbRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T15:00:09Z)
• Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
  視覚力学モデリングのための新しい連続学習手法を提案する。 まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。 そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
  動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。 我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。 我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-10T19:02:27Z)

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。