論文の概要: Personalized Lower-limb Exoskeleton Assistance via Preference-based Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2608.09015v1
- Date: Mon, 10 Aug 2026 02:11:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.036294
- Title: Personalized Lower-limb Exoskeleton Assistance via Preference-based Bayesian Optimization
- Title（参考訳）: 選好に基づくベイズ最適化による個人化下肢外骨格支援
- Authors: Xiao-Yin Liu, Guotao Li, Weiqun Wang, Zeng-Guang Hou,
- Abstract要約: 個人化された外骨格支援のための嗜好に基づく最適化フレームワークを提案する。
6つの制御パラメータを最適化するために、PbBOは、20回のイテレーションで90.7%の検証精度でユーザ優先パラメータに収束することができる。
トレッドミルと屋外実験の結果、最適化されたパラメータは代謝率を14.5%-15.4%、心拍数を6.3%-7.6%、筋肉の活性化を6.7%-31.5%減少させることを示した。
- 参考スコア（独自算出の注目度）: 7.687185026547581
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A significant challenge in exoskeleton robotics is the need to dynamically adapt control profiles to individual motion preferences, thereby ensuring both efficient and comfortable assistance. Currently, since user experience can serve as a comprehensive metric for evaluating the effectiveness of assistance, user preference-based optimization methods have been widely studied for parameter tuning. However, the existing methods rely heavily on extensive human-robot online interactions and suffer from slow optimization speed, which not only induces user fatigue but also compromises optimization effectiveness. Therefore, this paper aims to explore an efficient preference-based optimization framework for personalized exoskeleton assistance that can learn optimal parameters with minimal interaction. We propose a preference-based Bayesian optimization (PbBO) approach that can improve sample efficiency by leveraging knowledge about the sampling distribution of candidate sets. For optimizing six control parameters, PbBO can converge to user-preferred parameters with 90.7% validation accuracy via 20 iterations. Moreover, the hierarchical controller is designed to generate personalized torque for different tasks and achieve interaction torque tracking in real time. The results of treadmill and outdoor experiments demonstrate that the optimized parameters can reduce metabolic rate by 14.5%-15.4%, heart rate by 6.3%-7.6%, and muscle activation by 6.7%-31.5% compared to unassisted walking.
- Abstract（参考訳）: エクソスケルトンロボティクスにおける重要な課題は、制御プロファイルを個々の動きの好みに動的に適応させることで、効率と快適なアシストを確実にすることである。
現在,ユーザエクスペリエンスは支援の有効性を評価するための総合的な指標として機能しているため,パラメータチューニングのためのユーザの嗜好に基づく最適化手法が広く研究されている。
しかし、既存の手法は大規模な人間ロボットのオンラインインタラクションに大きく依存しており、ユーザの疲労を誘発するだけでなく、最適化の効率を損なう。
そこで本研究では,最小限のインタラクションで最適パラメータを学習可能な,個人化された外骨格支援のための効率的な選好に基づく最適化フレームワークを提案する。
本稿では,候補集合のサンプリング分布に関する知識を活用することで,サンプル効率を向上させるための選好ベースのベイズ最適化(PbBO)手法を提案する。
6つの制御パラメータを最適化するために、PbBOは、20回のイテレーションで90.7%の検証精度でユーザ優先パラメータに収束することができる。
さらに、階層型コントローラは、異なるタスクに対してパーソナライズされたトルクを生成し、リアルタイムに相互作用トルクトラッキングを実現するように設計されている。
トレッドミルと屋外実験の結果、最適化されたパラメータは代謝率を14.5%-15.4%、心拍数を6.3%-7.6%、筋肉の活性化を6.7%-31.5%減少させることが示されている。
関連論文リスト
- Do Agent Optimizers Compound? A Continual-Learning Evaluation on Terminal-Bench 2.0 [53.71882250666667]
エージェント最適化法で報告されているほとんどの利得はワンショットである。
これは、デプロイされたエージェントにとって重要な設定をテストするものではない。
エージェントハーネス最適化に対する3つのアプローチを比較する。
論文 参考訳（メタデータ） (2026-07-15T16:36:04Z) - Bayesian Preference Elicitation: Human-In-The-Loop Optimization of An Active Prosthesis [3.6494031371026323]
本稿では,標準4パラメータ補綴器を効率よくパーソナライズするためのHuman-in-the-loop Optimization (HILO)アプローチを提案する。
我々は, 効率的な収束, 堅牢な選好誘導, 測定可能な生体力学的改善を示す。
論文 参考訳（メタデータ） (2026-02-26T12:11:51Z) - Relation-Aware Bayesian Optimization of DBMS Configurations Guided by Affinity Scores [2.474203056060563]
データベース管理システム(DBMS)は,大規模および異種データの管理に基本的であり,その性能は構成パラメータの影響を強く受けている。
近年の研究では、機械学習を用いた自動構成最適化に焦点が当てられているが、既存のアプローチにはいくつかの重要な制限がある。
パラメータ依存をグラフとして表現する新しいフレームワークであるRelTuneを提案し,パフォーマンス関連セマンティクスを符号化したGNNベースの潜伏埋め込みを学習する。
論文 参考訳（メタデータ） (2025-10-31T03:46:42Z) - Systematic Optimization of Open Source Large Language Models for Mathematical Reasoning [1.8254074486719114]
本稿では,数学的推論タスクのための微調整モデルパラメータについて実践的検討を行う。
数学的推論タスクに関する5つの最先端モデルに対して、水平に最適化されたフレームワークが導入された。
論文 参考訳（メタデータ） (2025-09-08T21:31:43Z) - Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-05-28T07:38:39Z) - Self-Play Preference Optimization for Language Model Alignment [75.83359213697854]
近年の進歩は、嗜好の確率で直接作業することで、人間の嗜好をより正確に反映できることを示している。
本稿では,言語モデルアライメントのためのセルフプレイ方式を提案する。
我々の手法はSPPO(Self-Play Preference Optimization)と呼ばれ、繰り返しポリシー更新を利用してナッシュ均衡を確実に近似する。
論文 参考訳（メタデータ） (2024-05-01T17:59:20Z) - MADA: Meta-Adaptive Optimizers through hyper-gradient Descent [73.1383658672682]
メタ適応(MADA)は、複数の既知の収束を一般化し、トレーニング中に最も適した収束を動的に学習できる統合フレームワークである。
私たちは、MADAを視覚や言語タスクに関する他の人気と経験的に比較し、MADAがAdamや他の人気を一貫して上回っていることに気付きました。
AVGradは最大演算子を平均演算子に置き換えたもので、高次最適化に適している。
論文 参考訳（メタデータ） (2024-01-17T00:16:46Z) - Fine-Tuning Adaptive Stochastic Optimizers: Determining the Optimal Hyperparameter $ε$ via Gradient Magnitude Histogram Analysis [0.7366405857677226]
我々は、損失の大きさの経験的確率密度関数に基づく新しい枠組みを導入し、これを「緩やかな等級ヒストグラム」と呼ぶ。
そこで本稿では, 最適安全のための精密かつ高精度な探索空間を自動推定するために, 勾配等級ヒストグラムを用いた新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-20T04:34:19Z) - The Role of Adaptive Optimizers for Honest Private Hyperparameter
Selection [12.38071940409141]
標準合成ツールは、多くの設定において、より高度な技術よりも優れていることを示す。
我々は、新しいより効率的なツールを設計するために、DP設定におけるAdamの制限的な振る舞いを描きます。
論文 参考訳（メタデータ） (2021-11-09T01:56:56Z) - Human Preference-Based Learning for High-dimensional Optimization of
Exoskeleton Walking Gaits [55.59198568303196]
この研究は、LineCoSparという、高次元でユーザの好みを学習するヒューマン・イン・ザ・ループの好みベースのフレームワークを提示する。
シミュレーションと人為的試行において,LineCoSparは高次元の選好最適化のためのサンプル効率のよい手法であることを実証的に検証した。
この結果はエキソ骨格の歩行合成に影響を及ぼし,臨床応用と患者のリハビリテーションに有効である。
論文 参考訳（メタデータ） (2020-03-13T22:02:15Z)
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。