論文の概要: Manipulating Tangible Virtual Object Dynamics to Promote Learning of Precision Force Generation

• arxiv url: http://arxiv.org/abs/2605.26782v1
• Date: Tue, 26 May 2026 09:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.80183
• Title: Manipulating Tangible Virtual Object Dynamics to Promote Learning of Precision Force Generation
• Title（参考訳）: 精密力生成の学習を促進するための有形仮想物体ダイナミクスの操作
• Abstract要約: そこで本研究では,有形仮想物体の運動力学を演算することで,身体感覚系を動作させながら,正確な力制御を訓練できることを示す。 カーリングにインスパイアされた50名の健常者を対象に,仮想バネを張って目標放出力を発生させる実験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic haptic devices combined with virtual reality offer novel opportunities to train fine force generation, an essential yet overlooked component of post-stroke rehabilitation. This study proposes that manipulating the rendered dynamics of tangible virtual objects can be leveraged to train precise force control while engaging the somatosensory system. We conducted an experiment with fifty healthy participants who performed a curling-inspired task in which they had to stretch a virtual spring to generate a target release force to propel the stone to a predefined location on the ice sheet. During training, the spring's force-elongation relationship was modeled as either a linear or non-linear function, i.e., a Gaussian or antisymmetric Gaussian (AS-Gaussian) function with zero derivative at the release target force. Results indicate that the AS-Gaussian group consistently achieved higher force accuracy during training than the linear group, while the Gaussian group only outperformed the linear group toward the end of training. Analysis of personality traits revealed that higher Free Spirit scores were associated with poorer performance and reduced task exploration under Gaussian dynamics, whereas higher Transform-of-Challenge scores correlated with increased exploration. Despite these training effects, no significant differences in long-term retention were found across spring types or personality traits. Participants primarily relied on learned target elongation rather than target force, as evidenced by performance in a transfer task with a different stiffness but the same target force. While promising for somatosensory neurorehabilitation, these methods require refinement to reduce reliance on proprioceptive cues before testing with neurological patients.
• Abstract（参考訳）: ロボット触覚デバイスとバーチャルリアリティーが組み合わさって、ストローク後のリハビリに欠かせない要素である、きめ細かな力の発生を訓練する新たな機会を提供する。 そこで本研究では,有形仮想物体の運動力学を演算することで,身体感覚系を動作させながら,正確な力制御を訓練できることを示す。 氷床上の既定位置まで石を伝播させるために,仮想バネを張ってターゲット放出力を発生させる,カーリングインスパイアされた作業を行った50名の健常者を対象に実験を行った。 トレーニング中、スプリングの力-伸長関係は、リニア関数または非線形関数、すなわち解放目標力に微分がゼロのガウス関数または反対称ガウス関数としてモデル化された。 以上の結果から,AS-ガウス群はリニア群よりも連続的に高い力精度を達成し,ガウス群はリニア群よりも訓練終了に優れていたことが示唆された。 パーソナリティ特性の分析では、より高いフリースピリットスコアはガウス力学の下での低いパフォーマンスと低いタスク探索に関連し、高いトランスフォーメーション・オブ・チャレンゲスコアは探索の増加と相関していた。 これらの訓練効果にもかかわらず、春型や性格特性の長期保持に有意な差はみられなかった。 参加者は主に目標力よりも学習目標伸長に頼っており、異なる剛性を持つが同じ目標力を持つ移動作業における性能によって証明された。 体性感覚神経リハビリテーションを約束する一方で、これらの方法は、神経学的患者と検査する前に、プロピロセプティヴ・キューへの依存を減らすために洗練する必要がある。

関連論文リスト

• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• Accelerating Reinforcement Learning via Error-Related Human Brain Signals [0.43012765978447565]
  本研究では、複雑なロボット操作設定において、暗黙のニューラルフィードバックが強化学習を加速させる方法について検討する。 オフライン学習された脳波分類器からデコードされたエラー関連電位を報酬形成に統合し、フィードバック重み付けの効果を評価する。 本研究は,脳波を用いた強化学習が運動課題を超えて拡張可能であることを示す。
  論文  参考訳（メタデータ） (2025-11-24T08:33:47Z)
• Balancing Expressivity and Robustness: Constrained Rational Activations for Reinforcement Learning [9.120944934920141]
  強化学習と継続学習の両方において、訓練可能な合理的なアクティベーションについて検討する。 我々の主な成果は、合理的なアクティベーションにおける表現性と可塑性のトレードオフを示すことである。 本研究は, 動的非定常環境におけるロバストかつトレーニング可能なアクティベーションに対して, 実用的な設計原理を提供する。
  論文  参考訳（メタデータ） (2025-07-19T19:53:08Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Efficient Data Selection for Training Genomic Perturbation Models [32.968559353907004]
  グラフニューラルネットワークに基づく遺伝子摂動モデルに着目する。 本研究では,アクティブな学習とは異なり,一ショットでトレーニング摂動を選択するサブセット選択法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T12:52:03Z)
• ForceGrip: Reference-Free Curriculum Learning for Realistic Grip Force Control in VR Hand Manipulation [0.10995326465245926]
  本稿では,現実的な手操作動作を合成する深層学習エージェントであるForceGripを紹介する。 我々は、指の位置決め、意図適応、動的安定化を含む3段階のカリキュラム学習フレームワークを採用する。 以上の結果から,ForceGripの出力制御性と信頼性は最先端の手法に比べて優れていた。
  論文  参考訳（メタデータ） (2025-03-11T05:39:07Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Targeted Muscle Effort Distribution with Exercise Robots: Trajectory and Resistance Effects [1.2891210250935146]
  本研究の目的は,ロボット運動・リハビリテーション機械の軌道および抵抗条件に筋力分布を関連付けることである。 4自由度ロボットとそのインピーダンス制御システムは、高度なエクササイズプロトコルを作成するために使用される。
  論文  参考訳（メタデータ） (2021-07-02T21:07:35Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)
• Training Generative Adversarial Networks by Solving Ordinary Differential Equations [54.23691425062034]
  GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。 この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。 本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
  論文  参考訳（メタデータ） (2020-10-28T15:23:49Z)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)

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。