論文の概要: Scaling Whole-Body Human Musculoskeletal Behavior Emulation for Specificity and Diversity

• arxiv url: http://arxiv.org/abs/2603.29332v1
• Date: Tue, 31 Mar 2026 06:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.241435
• Title: Scaling Whole-Body Human Musculoskeletal Behavior Emulation for Specificity and Diversity
• Title（参考訳）: 特異性と多様性を考慮した全身型人骨骨格行動エミュレーションのスケーリング
• Authors: Yunyue Wei, Chenhui Zuo, Shanning Zhuang, Haixin Gong, Yaming Liu, Yanan Sui,
• Abstract要約: バイオメカニカルに接地した全身運動再生のための大規模並列筋骨格計算フレームワークを提案する。 ダンス、カートホイール、バックフリップなどの高度なダイナミックなタスクに対して、高い関節角度の精度と身体位置のアライメントを実現する。 この研究は、人間の運動の具体的制御の根底にある特異性と多様性を分析するための、抽出可能な計算経路を確立する。
• 参考スコア（独自算出の注目度）: 11.002363474183683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The embodied learning of human motor control requires whole-body neuro-actuated musculoskeletal dynamics, while the internal muscle-driven processes underlying movement remain inaccessible to direct measurement. Computational modeling offers an alternative, but inverse dynamics methods struggled to resolve redundant control from observed kinematics in the high-dimensional, over-actuated system. Forward imitation approaches based on deep reinforcement learning exhibited inadequate tracking performance due to the curse of dimensionality in both control and reward design. Here we introduce a large-scale parallel musculoskeletal computation framework for biomechanically grounded whole-body motion reproduction. By integrating large-scale parallel GPU simulation with adversarial reward aggregation and value-guided flow exploration, the MS-Emulator framework overcomes key optimization bottlenecks in high-dimensional reinforcement learning for musculoskeletal control, which accurately reproduces a broad repertoire of motions in a whole-body human musculoskeletal system actuated by approximately 700 muscles. It achieved high joint angle accuracy and body position alignment for highly dynamic tasks such as dance, cartwheel, and backflip. The framework was also used to explore the musculoskeletal control solution space, identifying distinct musculoskeletal control policies that converge to nearly identical external kinematic and mechanical measurements. This work establishes a tractable computational route to analyzing the specificity and diversity underlying human embodied control of movement. Project page: https://lnsgroup.cc/research/MS-Emulator.
• Abstract（参考訳）: ヒトの運動制御の具体的学習は、全身の神経作動筋骨格動態を必要とするが、内部の筋肉駆動の過程は、直接測定にはアクセスできない。 計算モデリングは代替手段を提供するが、逆動力学法は高次元過動系の観測運動学からの冗長な制御を解決するのに苦労している。 深い強化学習に基づく前向きの模倣手法は, 制御設計と報酬設計の両方において次元性の呪いにより, 不適切な追跡性能を示した。 本稿では,バイオメカニカルグラウンドを用いた全身運動再生のための大規模並列筋骨格計算フレームワークを提案する。 大規模並列GPUシミュレーションと対向報酬集計と値誘導フロー探索を統合することで、MS-Emulatorフレームワークは筋骨格制御のための高次元強化学習における重要な最適化ボトルネックを克服し、約700個の筋肉によって活性化される全身のヒト筋骨格系における運動の広いレパートリーを正確に再現する。 ダンス、カートホイール、バックフリップのような非常にダイナミックなタスクに対して、高い関節角度の精度と身体位置のアライメントを実現した。 このフレームワークは、ほぼ同一の外部運動量および機械的測定に収束する筋骨格制御ポリシーを識別し、筋骨格制御ソリューション空間を探索するためにも使用された。 この研究は、人間の運動の具体的制御の根底にある特異性と多様性を分析するための、抽出可能な計算経路を確立する。 プロジェクトページ: https://lnsgroup.cc/research/MS-Emulator。

関連論文リスト

• Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale [38.15316304510102]
  muscleMimicは、生理学的に現実的な筋肉駆動モデルを用いたモーション模倣学習のためのオープンソースのフレームワークである。 筋骨格シミュレーションに計算障壁とデータバリアを下げることにより、マッスルミミックは様々な動的運動にまたがる系統的なモデル検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-26T15:18:37Z)
• 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)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• 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)
• 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)
• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• 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)
• 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。