論文の概要: Reflex-Informed Neuromuscular Reinforcement Learning for Muscle-Driven Locomotion
- arxiv url: http://arxiv.org/abs/2609.11733v1
- Date: Thu, 10 Sep 2026 15:47:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.438172
- Title: Reflex-Informed Neuromuscular Reinforcement Learning for Muscle-Driven Locomotion
- Title（参考訳）: 筋運動における反射インフォームド神経筋強化学習
- Abstract要約: 筋駆動運動のための反射インフォームド神経筋強化学習フレームワークを提案する。
実験により, 本フレームワークは生理的, もっともらしい移動を発生させることが示された。
- 参考スコア（独自算出の注目度）: 14.483874273316728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Muscle-driven locomotion provides a physically grounded approach to generating realistic human movement. However, achieving both physiological plausibility and adaptability to changes in musculoskeletal capacity and external disturbances remains a fundamental challenge. To address this limitation, we propose a Reflex-Informed Neuromuscular Reinforcement Learning framework for muscle-driven locomotion. Within this framework, a fixed phase-dependent reflex controller serves as the underlying neuromuscular control mechanism, while the reinforcement learning policy produces four biomechanically meaningful residual parameters to modulate key reflex gains and thresholds associated with hip swing, knee support, and ankle propulsion according to the current state. Experimental results demonstrate that the proposed framework generates physiologically plausible locomotion with improved kinematic accuracy and dynamic consistency, as well as better bilateral symmetry and stride-to-stride consistency under nominal walking conditions. The learned policy remains robust under muscle weakness and external perturbations without retraining.
- Abstract（参考訳）: 筋肉を駆動する運動は、現実的な人間の動きを生み出すための物理的に基礎的なアプローチを提供する。
しかし, 筋骨格能力の変化に対する生理的妥当性と適応性の両方を達成することは, 根本的課題である。
この制限に対処するため,筋駆動運動のための反射インフォームド神経筋強化学習フレームワークを提案する。
この枠組み内では、固定位相依存反射制御装置が基礎となる神経筋制御機構として機能し、強化学習ポリシーは、4つの生体力学的に有意な残留パラメータを生成して、現在の状態に応じて、腰のスイング、膝の支持、足首の推進に関連するキー反射の利得と閾値を調節する。
実験により, 運動の精度と動的整合性を向上し, 両対称性, ストライドとストライドの整合性が向上した。
学習方針は、筋力の弱さや外的摂動の下でも、再訓練なしに頑健なままである。
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) - Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。
この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。
我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
論文 参考訳（メタデータ） (2026-04-23T07:10:05Z) - 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) - 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) - Safe Whole-Body Loco-Manipulation via Combined Model and Learning-based Control [46.47619556874003]
そこで本研究では,マニピュレータアームのモデルベースアプタンス制御と足歩行の強化学習ポリシを組み合わせた全身制御を提案する。
アクセタンスコントローラは、物理的相互作用中に人間によって適用されるような外部レンチを、望ましいエンドエフェクタ速度にマッピングし、従順な振る舞いを可能にする。
6-DoFアームと手首に装着した6-DoF Force/Torqueセンサーを備えたUnitree Go2四足歩行ロボットを用いて,シミュレーションとハードウェアの両方におけるアプローチを検証する。
論文 参考訳（メタデータ） (2026-03-02T22:31:12Z) - Coordinating Spinal and Limb Dynamics for Enhanced Sprawling Robot Mobility [0.047116288835793156]
柔軟性のある脊椎は、脊椎に沿って波状の動きを通して身体を揺らぎ、不均一な地形や障害物を航行するのを助ける。
表面の不規則や摩擦の変動といった環境の不確実性は、体-肢の協調を著しく阻害する。
深い強化学習は、非決定論的環境を扱うための有望なフレームワークを提供する。
本研究では,サンショウウオのようなロボットを用いた学習型制御戦略と生物学的にインスパイアされた歩行設計手法について比較検討した。
論文 参考訳（メタデータ） (2025-04-18T23:08:48Z) - 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) - Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。
具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。
フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
論文 参考訳（メタデータ） (2025-02-24T14:53:45Z) - Natural and Robust Walking using Reinforcement Learning without
Demonstrations in High-Dimensional Musculoskeletal Models [29.592874007260342]
人間は複雑な自然環境の中を歩く頑丈な二足歩行で運動します。
神経系が筋骨格の冗長性をどのように解決し、多目的制御問題を解決するかは、まだ完全には分かっていない。
論文 参考訳（メタデータ） (2023-09-06T13:20:31Z) - 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) - Learning Control Policies for Imitating Human Gaits [2.28438857884398]
人間はウォーキング、ランニング、ジャンプといった運動を最も効率的な方法で行っており、このプロジェクトの動機の源となっている。
骨格と筋骨格の人間モデルは,矢状面の運動に対して考慮された。
モデルフリー強化学習アルゴリズムは、逆ダイナミクス制御動作の最適化に用いられた。
論文 参考訳（メタデータ） (2021-05-15T16:33:24Z) - Reinforcement Learning for Robust Parameterized Locomotion Control of
Bipedal Robots [121.42930679076574]
シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。
ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。
本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
論文 参考訳（メタデータ） (2021-03-26T07:14:01Z)
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。