論文の概要: A Replay-Constrained Simulation Framework for Personalization of Powered Knee--Ankle Prosthesis Controllers

• arxiv url: http://arxiv.org/abs/2607.22858v1
• Date: Fri, 24 Jul 2026 18:59:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.909478
• Title: A Replay-Constrained Simulation Framework for Personalization of Powered Knee--Ankle Prosthesis Controllers
• Title（参考訳）: パワードニーのパーソナライズのためのリプレイ制約付きシミュレーションフレームワーク-足首義足制御系
• Authors: Duong Le, Ryan Posh, Shihao Cheng, Maani Ghaffari, Robert D. Gregg,
• Abstract要約: 電動義足用インピーダンスコントローラのパーソナライズは、個々の歩行を調節するために重要であるが、依然として困難である。 MuJoCoをベースとしたシミュレーターは、記録されたヒップキネマティクスとフィードバックに基づくグラウンド反応力を再生しながら、人工膝関節の力学を再現する。 深部強化学習政策は、両関節における相依存性の剛性、減衰、平衡角を同時にパーソナライズする。
• 参考スコア（独自算出の注目度）: 11.765906112645466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalization of impedance controllers for powered prosthetic legs is critical to accommodating individual gait biomechanics but remains challenging. Existing methods rely on time-intensive human-in-the-loop exploration and/or constrain optimization to low-dimensional, single-joint parameter subspaces. Sim-to-real transfer has enabled high-dimensional locomotion control for legged robots, but in assistive device control the human partner remains un-modelable. We present a replay-constrained simulation framework: a MuJoCo-based simulator reproduces prosthetic knee-ankle dynamics while replaying recorded hip kinematics and feedback-based ground reaction forces from individual walking data, bypassing the need to model complex human neuromuscular control mechanisms. We demonstrate the framework with a deep reinforcement learning policy that personalizes phase-dependent stiffness, damping, and equilibrium angle at both joints simultaneously, maximizing a biomimicry-based reward computed solely from onboard prosthesis measurements. Experiments with three participants with transfemoral amputation during level-ground walking at 0.8~m/s demonstrate strong simulation-to-hardware predictive validity (Pearson $r=0.96$--$0.997$). The best-performing policy on hardware was consistently predicted within the top five simulation policies for all participants. The learned controllers improved overall biomimicry rewards by 42--59\% relative to the unpersonalized baseline. The framework supports scalable high-dimensional personalization of powered prosthetic legs and is amenable to extension to higher-dimensional controller parameterizations such as neural-network controllers.
• Abstract（参考訳）: 電動義足用インピーダンスコントローラのパーソナライズは、個々の歩行生体力学を調節するために重要であるが、依然として困難である。 既存の手法は、低次元の単一結合パラメータ部分空間に対する時間集約的な人ループ探索と/または制約最適化に依存している。 シモン・トゥ・リアル・トランスファーは、脚付きロボットの高次元移動制御を可能にしたが、補助装置制御では、人間のパートナーはモデル化できないままである。 本研究では,MuJoCoをベースとしたシミュレーターが,歩行データからヒップキネマティクスとフィードバックに基づく地上反応力を再生しながら,人工膝関節のダイナミックスを再現し,複雑なヒト神経筋制御機構をモデル化する必要性を回避したリプレイ拘束シミュレーションフレームワークを提案する。 両関節の相依存性剛性, 減衰, 平衡角を同時にパーソナライズし, 生体工学に基づく報酬を最大化する深層強化学習政策を立案した。 0.8～m/sで歩行中の大腿骨外切断を行った3人の被験者による実験は、シミュレーションとハードウェアの予測妥当性が強い(Pearson $r=0.96$-$0.997$)。 ハードウェア上での最高のパフォーマンスポリシーは、すべての参加者の上位5つのシミュレーションポリシーの中で一貫して予測された。 学習したコントローラは、非個人化ベースラインに対して、全体のバイオミミミリー報酬を42～59パーセント改善した。 このフレームワークは、電動義肢のスケーラブルな高次元パーソナライズをサポートし、ニューラルネットワークコントローラのような高次元のコントローラパラメータ化にまで拡張することができる。

関連論文リスト

• Beyond Heuristics: A Standardized Real2Sim Pipeline for Physical Human Robot Interaction in Human-in-the-Loop Simulation [7.749790302832782]
  本稿では,モバイルバランスアシスタント上での骨盤弾性ストラップインタフェースの物理的相互作用(pHRI)の動的結合を同定するReal2Simパイプラインを提案する。 このパイプラインはHITLシミュレーションの忠実性を改善し、パーソナライズされたコントローラの事前検証のための予測ツールとしてHuman Digital Twinをサポートする。
  論文  参考訳（メタデータ） (2026-07-03T06:52:37Z)
• Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
  柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。 この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。 我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
  論文  参考訳（メタデータ） (2026-04-10T16:52:54Z)
• Scaling Whole-Body Human Musculoskeletal Behavior Emulation for Specificity and Diversity [11.002363474183683]
  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。
  論文  参考訳（メタデータ） (2026-03-31T06:55:10Z)
• 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)
• 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)
• Dynamic Modeling and MPC for Locomotion of Tendon-Driven Soft Quadruped [0.0]
  SLOT(Soft Legged Omnidirectional Tetrapod)は3DプリントされたTPU脚を持つ腱駆動の柔らかい四足歩行ロボットである。 各脚は離散コッサートロッド理論を用いて変形可能な連続体としてモデル化される。 モジュラー・ボディ・モデリング・フレームワークが導入され、従順な脚のダイナミクスが表現される。
  論文  参考訳（メタデータ） (2026-02-18T11:14:22Z)
• CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
  hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。 CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。 そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
  論文  参考訳（メタデータ） (2025-12-16T18:56:04Z)
• RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
  RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。 複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
  論文  参考訳（メタデータ） (2025-09-25T03:30:34Z)
• 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)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• 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)

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。