論文の概要: Diffusion-Based Body Schema Learning Enabling Abnormal-State Adaptation in Musculoskeletal Robots
- arxiv url: http://arxiv.org/abs/2608.01029v1
- Date: Sun, 02 Aug 2026 06:10:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.067371
- Title: Diffusion-Based Body Schema Learning Enabling Abnormal-State Adaptation in Musculoskeletal Robots
- Title（参考訳）: 筋骨格ロボットの異常状態適応を考慮した拡散型身体スキーマ学習
- Authors: Kento Kawaharazuka, Shuhei Ikemoto,
- Abstract要約: 筋肉骨格ロボットは、広範囲の物理的状態変化の下で一貫している内部のボディスキーマを必要とする。
本研究では,筋骨格ロボットにおける身体スキーマ学習のための拡散型フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.053821868443824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Musculoskeletal robots require an internal body schema that remains consistent under a wide range of physical state changes, including abnormalities such as muscle rupture and actuator jamming. Conventional approaches based on autoencoders or variational autoencoders learn average behaviors by projecting sensor and actuator signals into a low-dimensional latent space; however, exploration within the latent space alone has limited capability to handle out-of-distribution or abnormal states that are not included in the training data. To address this limitation, this study proposes a diffusion-based framework for body schema learning in musculoskeletal robots. Unlike generative models that operate through low-dimensional latent spaces, diffusion models can directly and iteratively estimate physically consistent sensor and actuator values in the high-dimensional space through a denoising process, even under partial observations and constraints, without requiring retraining. By formulating body schema adaptation as a gradient-guided denoising process, the proposed method enables adaptive estimation of appropriate muscle lengths and muscle tensions even under abnormal conditions such as muscle rupture and actuator jamming. The validity of the proposed framework is verified through simulation experiments using a musculoskeletal robot model.
- Abstract（参考訳）: 筋骨格ロボットは、筋肉の破裂やアクチュエータジャミングなどの異常を含む、幅広い物理的状態の変化の下で一貫している体内スキーマを必要とする。
従来のオートエンコーダや変分オートエンコーダに基づくアプローチでは、センサやアクチュエータの信号を低次元の潜伏空間に投影することで平均的な振る舞いを学習するが、潜伏空間内だけではトレーニングデータに含まれないアウト・オブ・ディストリビューションや異常状態を扱う能力に制限がある。
この制限に対処するため,筋骨格ロボットにおける身体スキーマ学習のための拡散型フレームワークを提案する。
低次元の潜在空間を通した生成モデルとは異なり、拡散モデルは、再トレーニングを必要とせず、部分的な観察や制約の下でも、高次元空間における物理的に一貫したセンサーとアクチュエータの値をデノナイジングプロセスを通じて直接的かつ反復的に推定することができる。
本手法は, 筋破壊やアクチュエータジャミングなどの異常条件下であっても, 適切な筋長と筋緊張を適応的に推定することができる。
筋骨格ロボットモデルを用いたシミュレーション実験により,提案手法の有効性を検証した。
関連論文リスト
- From Brain Models to Executable Digital Twins: Execution Semantics and Neuro-Neuromorphic Systems [51.82266520875928]
この調査では、実行のレベルでアプローチを比較するための統一的な視点として、物理的に制約された実行可能性を紹介します。
本稿では,孤立オフラインモデルから協調シミュレーション,オンラインデータによるディジタル双生児の連続実行に至るまで,実行体制の分類について提案する。
実行可能性の概念は、なぜ正確性だけで不十分なのかを明確にし、セマンティック・インターオペラビリティ、ハイブリッド・タイムの正確性、評価プロトコル、スケーラブルな同化、安全なクローズドループ検証を中心にしたアジェンダを動機付けている。
論文 参考訳（メタデータ） (2026-04-15T07:34:46Z) - 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) - AdaMorph: Unified Motion Retargeting via Embodiment-Aware Adaptive Transformers [49.796014934503184]
本研究では、単一モデルで多様なロボット形態に人間の動きを適応させることができる統一型ニューラルネットワークフレームワークを提案する。
12個の異なるヒューマノイドロボットの実験結果から、AdaMorphが異種トポロジにわたって効果的に制御できることが示されている。
論文 参考訳（メタデータ） (2026-01-12T07:39:38Z) - Nonlinear Spectral Modeling and Control of Soft-Robotic Muscles from Data [6.770726279203919]
水圧静電アクチュエータ(HASEL)は高性能だが、記憶効果と筋骨格効果を示す。
本稿では、スペクトル部分多様体(SSM)理論に基づくデータ駆動還元制御戦略を提案する。
対角的HASELクラッチ接合部をリアルタイムに制御するためのSSMモデルを構築した。
論文 参考訳（メタデータ） (2026-01-06T18:43:49Z) - Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。
本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
論文 参考訳（メタデータ） (2025-03-20T12:28:08Z) - A Diffusion Model for Simulation Ready Coronary Anatomy with Morpho-skeletal Control [1.053652600598537]
仮想的介入研究のために,潜在拡散モデルを用いて冠状動脈解剖学をカスタムに合成する方法を検討する。
われわれのフレームワークは、冠動脈解剖学を制御可能な方法で生成・編集することを可能にし、デバイス設計者が機械的洞察を導き出すことを可能にする。
論文 参考訳（メタデータ） (2024-07-22T13:44:06Z) - Morphological Symmetries in Robotics [45.32599550966704]
形態的対称性は ロボットの形態の固有の特性です
これらの対称性は、ロボットの状態空間とセンサーの測定にまで拡張される。
データ駆動型手法では, 機械学習モデルのサンプル効率と一般化を, モルフォロジー対称性により向上させることができることを示す。
解析手法の文脈では、ロボットの力学を低次元独立力学の重ね合わせに分解するために抽象調和解析を用いる。
論文 参考訳（メタデータ） (2024-02-23T17:21:21Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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。