論文の概要: Beyond Kinematics: Benchmarking Simulation Fidelity for Muscle-Driven Imitation Learning

• arxiv url: http://arxiv.org/abs/2609.21909v1
• Date: Fri, 18 Sep 2026 15:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.168198
• Title: Beyond Kinematics: Benchmarking Simulation Fidelity for Muscle-Driven Imitation Learning
• Title（参考訳）: Beyond Kinematics: 筋駆動模倣学習のためのベンチマークシミュレーションフィデリティ
• Abstract要約: SCONE/HyFyDyで構築したパイプラインとMuJoCo/MyoSimで構築したパイプラインを比較した。 HyFyDyは詳細な筋腱モデリングによって生理的リアリズムを強調し、MuJoCoは計算効率とスケーラブルなポリシー学習を優先する。
• 参考スコア（独自算出の注目度）: 3.0728866208856633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we conduct a systematic comparison of two state-of-the-art motion-imitation reinforcement learning (MIRL) pipelines, one built on SCONE/HyFyDy and one built on MuJoCo/MyoSim. HyFyDy emphasizes physiological realism through detailed musculotendon modeling, while MuJoCo prioritizes computational efficiency and scalable policy learning. While recent work has demonstrated that both pipelines reproduce human kinematics with high fidelity, it remains unclear if they accurately capture the underlying neuromuscular behavior that produced the movement. This limitation is particularly important for robotic assistive-device design and control, where outcome measures such as muscle activation patterns and metabolic cost are often used as optimization targets. To conduct a systematic comparison, our work compares both pipelines using a common set of human motion-capture and electromyography (EMG) measurements. The results find that while both pipelines produce similar kinematics with relative accuracy, the muscle activations from HyFyDy are more aligned with the experimental EMG, as supported by the average pooled (RMSE, r) values for muscle activations from HyFyDy and MuJoCo: (0.164, 0.4) and (0.344, 0.11), respectively. While we conclude that the more advanced physiological realism of HyFyDy currently makes it more suitable for musculoskeletal modeling, both require further development to bring physiological realism to GPU-parallelizable simulation environments and advance robotic assistive device design.
• Abstract（参考訳）: 本研究では, SCONE/HyFyDyをベースとしたMIRLパイプラインと, MuJoCo/MyoSimをベースとしたMIRLパイプラインの系統的比較を行う。 HyFyDyは詳細な筋腱モデリングによって生理的リアリズムを強調し、MuJoCoは計算効率とスケーラブルなポリシー学習を優先する。 最近の研究では、両方のパイプラインが高い忠実度でヒトのキネマティクスを再現していることが示されているが、運動を発生させる神経筋の振る舞いを正確に捉えているかどうかは不明である。 この制限は、特にロボット補助デバイスの設計と制御において重要であり、筋肉の活性化パターンや代謝コストといった結果の計測が最適化の目標としてしばしば用いられる。 系統的な比較を行うため,人間のモーションキャプチャーと筋電図(EMG)の共通セットを用いて,両方のパイプラインを比較した。 その結果,HyFyDyの筋活性化は,HyFyDyとMuJoCoの筋活性化平均値(0.164,0.4)と0.344,0.11)により支持され,比較的精度のよい類似のキネマティクスが得られたが,HyFyDyの筋活性化は実験EMGと一致していることがわかった。 HyFyDyのより先進的な生理的リアリズムは、筋骨格モデルに適合するが、どちらもGPU並列化可能なシミュレーション環境に生理的リアリズムをもたらすためのさらなる開発を必要とし、ロボット支援デバイスの設計を前進させる。

関連論文リスト

• 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)
• Machine Learning Driven Prediction of the Behavior of Biohybrid Actuators [0.1742397757224289]
  本研究では,バイオハイブリッドマシンの挙動をモデル化し,予測するための教師あり学習の応用について検討する。 静的モデルの最高の性能はR2が0.9425、動的モデルは0.9956である。
  論文  参考訳（メタデータ） (2026-02-18T10:11:55Z)
• Massively Parallel Imitation Learning of Mouse Forelimb Musculoskeletal Reaching Dynamics [0.5487412578664687]
  本稿では,神経科学研究室からキネマティックスデータを収集し,生体力学モデルでそれらの自然な動きを再現するためのパイプラインを作成する。 我々は,模擬物理環境における筋骨格モデルを用いて,器用な前肢到達作業を行うための模倣学習フレームワークを実装した。
  論文  参考訳（メタデータ） (2025-11-26T19:23:14Z)
• Musculoskeletal simulation of limb movement biomechanics in Drosophila melanogaster [32.89880065783502]
  ショウジョウバエの足の最初の3Dデータ駆動筋骨格モデルを紹介した。 複数の固定標本からの高分解能X線スキャンに基づくヒル型筋肉表現を応用した。 本モデルにより, 実験的に抽出可能なモデル生物における運動制御の解明が可能となった。
  論文  参考訳（メタデータ） (2025-09-08T08:21:14Z)
• 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)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)

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。