論文の概要: Staged Multi-Agent Training (SMAT) for Hip Exoskeletons: Metabolic and Biomechanical Validation of a Simulation-Trained Co-Adaptive Controller
- arxiv url: http://arxiv.org/abs/2608.00715v1
- Date: Sat, 01 Aug 2026 15:31:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.874898
- Title: Staged Multi-Agent Training (SMAT) for Hip Exoskeletons: Metabolic and Biomechanical Validation of a Simulation-Trained Co-Adaptive Controller
- Title（参考訳）: 股関節外骨格に対するStaged Multi-Agent Training (SMAT) : シミュレーションによる協調適応制御のメタボリックおよびバイオメカニカル検証
- Abstract要約: 本報告ではSMATの生理的妥当性について述べる。
単一のシミュレーショントレーニングされたSMATポリシは、トレーニングされた条件を超えて堅牢なまま、実際のユーザに対して大きなメタボリックなメリットを提供する。
- 参考スコア（独自算出の注目度）: 1.5617797712963508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based controllers can deliver exoskeleton assistance after training entirely in physics-based simulation, yet few controllers that address human-device co-adaptation have been validated on real users by whole-body metabolic measurement, the standard benchmark for assistive walking. Co-adaptation is challenging: as the device alters joint dynamics, the wearer reorganizes neuromuscular coordination, producing a non-stationary learning problem. Staged Multi-Agent Training (SMAT), a four-stage curriculum that progressively trains a musculoskeletal human actor and a bilateral hip exoskeleton actor, was introduced and shown to reduce simulated hip-muscle activation and provide positive assistance on hardware. This article provides the first physiological validation of SMAT. The policy was deployed on a hip exoskeleton and tested with eight healthy adults, with metabolic cost measured by indirect calorimetry across no-exoskeleton, passive, and active conditions. Active assistance lowered net metabolic rate by 19.7% relative to the passive device (p < 0.001). Biomechanical analysis confirmed predominantly positive hip mechanical power across all subjects (positive-power ratio 0.98), and the policy generalized across walking speeds and terrains. Together, these results show that a single simulation-trained SMAT policy, deployed without subject-specific retraining, delivers a significant metabolic benefit on real users while remaining robust beyond the conditions it was trained on.
- Abstract（参考訳）: 学習ベースのコントローラーは、完全に物理ベースのシミュレーションでトレーニングした後、エキソスケルトンアシストを提供することができるが、実際のユーザに対して、全身代謝測定(英語版)によって人間デバイスのコ適応に対処するコントローラーは、アシストウォーキングの標準ベンチマークである検証されていない。
デバイスが関節のダイナミクスを変えると、着用者は神経筋の調整を再編成し、非定常的な学習問題を発生させる。
筋骨格系ヒトアクターと両側股関節外骨格系アクターを段階的に訓練する4段階のカリキュラムSMATを導入し, 人工股関節の活性化を減らし, ハードウェアに対する肯定的な補助を提供する。
本報告ではSMATの生理的妥当性について述べる。
この方針は、股関節外骨格に展開され、8人の健康な成人でテストされ、非外骨格、受動的、活動的な条件で間接的なカロリー測定によって代謝コストを測定した。
アクティブアシストは、受動デバイス(p < 0.001)と比較して、ネット代謝率を19.7%低下させた。
バイオメカニカル分析により,全被験者に有意な股関節機械力(正のパワー比0.98)が認められた。
これらの結果から,1つのシミュレーショントレーニングされたSMATポリシは,対象に固有のリトレーニングを行なわずにデプロイされ,実際のユーザに対して,トレーニング対象の条件を超えて堅牢な状態を維持しながら,重要な代謝的利益をもたらすことが示された。
関連論文リスト
- MyoChallenge 2025: A New Benchmark for Human Athletic Intelligence [57.70335388371609]
NeurIPS 2025のMyoChallengeは、スポーツにおけるモーターコントロールインテリジェンスに関する先駆的なベンチマークを確立した。
物理シミュレーションにおける高忠実度筋骨格モデルと機械学習駆動アルゴリズムの組み合わせ
チャレンジには70のチームが参加し、全世界で560以上の応募があった。
論文 参考訳（メタデータ） (2026-05-15T06:09:44Z) - Musculoskeletal Motion Imitation for Learning Personalized Exoskeleton Control Policy in Impaired Gait [1.224954637705144]
身体と臨床の両方において、スケーラブルな個人化された外骨格支援を実現するためのデバイス非依存の枠組みを導入する。
制御方針は, 生理学的に妥当な運動動態を生じさせ, 臨床に観察された筋力障害に対する補充戦略を捉えている。
タスク固有のチューニングがなければ、結果として生じる外骨格制御ポリシーは、人間の実験で検証された最先端のプロファイルと一致する、股関節と足首の補助トルクプロファイルを生成する。
論文 参考訳（メタデータ） (2026-04-10T15:49:24Z) - 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) - SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control [1.7061322026474812]
本研究では,ユーザがウェアラブルデバイスに自然に順応する方法を反映した4段階のカリキュラムを提案する。
筋無力症シミュレーション環境において,26筋下肢モデルと腰部外骨格を併用したSMATを実装した。
筋骨格シミュレーションにより、学習した外骨格の制御は、無力状態と比較して平均10.1%の股関節筋活性化を減少させることが示された。
論文 参考訳（メタデータ） (2026-03-08T13:06:36Z) - 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) - Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。
症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。
臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-20T01:58:45Z) - 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) - MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。
このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。
また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
論文 参考訳（メタデータ） (2024-04-16T02:18:18Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z)
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。