論文の概要: A latent control model for realistic rodent motion

• arxiv url: http://arxiv.org/abs/2610.27279v1
• Date: Mon, 19 Oct 2026 20:54:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.499782
• Title: A latent control model for realistic rodent motion
• Title（参考訳）: 現実的な歯列運動に対する潜時制御モデル
• Abstract要約: 身体強化学習(SCAMPER)のためのAugmented Motor Priorsを用いたシミュレート制御の導入 SCAMPERは仮想ラットモデルをトレーニングするシステムで、ゴール指向の行動とランダムな探索の両方で自然な動きを可能にする。 この2つを組み合わせることで、SCAMPERは探索中に現実的な振る舞いを生成でき、タスク構造を効果的に活用できることを示す。
• 参考スコア（独自算出の注目度）: 6.024217200014184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of embodied models of animal behavior is a major goal of the neuro-AI community. Embodied models will enhance our ability to make direct comparisons between biological and artificial agents. To make such comparisons effective, though, we need embodied models that actually move like animals. Previous work has developed virtual animal bodies and techniques for training realistic motion through imitation. However, to date, there is no system for embodied animal modeling that produces natural movements both during trained goal-directed behavior, and during exploration driven by random generation. Here, we introduce Simulated Control via Augmented Motor Priors for Embodied Reinforcement learning (SCAMPER), a system for training an embodied virtual rat model, enabling natural movements during both goal-directed behavior and random exploration. SCAMPER uses a variational architecture with two distinct priors, a motion prior for control and a behavior prior for exploration. We show that combining both of these priors allows SCAMPER to generate realistic behavior during exploration and exploit the task structure effectively. SCAMPER can also learn from sparse rewards as a result of the diverse movements induced by the behavior prior, allowing the system to model realistic sparse-reward tasks from experimental neuroscience. Altogether, SCAMPER provides the neuro-AI community with an effective new system for training embodied models of rodents on realistic tasks.
• Abstract（参考訳）: 動物行動の具体的モデルの開発は、ニューロAIコミュニティの大きな目標である。 身体モデルにより、生体と人工のエージェントを直接比較する能力が向上する。 しかし、このような比較を効果的にするためには、実際に動物のように動くエンボディモデルが必要です。 従来の研究は、仮想動物体と模倣を通して現実的な動きを訓練する技術を開発した。 しかし、現在までに、訓練された目標指向行動とランダムな生成による探索の両方において、自然運動を生み出す動物モデリングの体系は存在しない。 そこで本研究では,仮想ラットモデルのトレーニングシステムであるSCAMPER(Augmented Motor Priors for Embodied Reinforcement Learning)を導入した。 SCAMPERは2つの異なる前兆を持つ変分アーキテクチャを使用し、制御の前の動きと探索の前の振る舞いである。 この2つを組み合わせることで、SCAMPERは探索中に現実的な振る舞いを生成でき、タスク構造を効果的に活用できることを示す。 SCAMPERはまた、以前の行動によって引き起こされた多様な動きの結果、スパース報酬から学習することができ、システムは実験的な神経科学から現実的なスパース・リワードタスクをモデル化することができる。 また、SCAMPERは神経AIコミュニティに、現実的なタスクでネズミの体型モデルをトレーニングするための効果的な新しいシステムを提供している。

関連論文リスト

• Two2Four: Generative Quadruped Puppeteering from Human Motion [20.914466901797574]
  本稿では,可塑性かつ制御可能な四重奏運動を生成する,人対四重奏人形の自動組立フレームワークを提案する。 提案手法は,4つの運動データに基づいて純粋に訓練された2段階生成拡散モデルを用いる。 実験の結果,既存手法と比較して運動リアリズムと制御性が改善された。
  論文  参考訳（メタデータ） (2026-07-28T13:23:10Z)
• MIMIC-MJX: Neuromechanical Emulation of Animal Behavior [4.293092689005449]
  MIMIC-MJXは、キネマティックスから生物学的に証明可能な神経制御ポリシーを学ぶためのフレームワークである。 我々の実装は正確で、高速で、データ効率が良く、多様な動物体モデルに一般化できる。
  論文  参考訳（メタデータ） (2025-11-25T17:34:38Z)
• Data-driven simulator of multi-animal behavior with unknown dynamics via offline and online reinforcement learning [8.835312357110618]
  生物学における現実的なマルチアニマルシミュレーションの重要な課題は、未知の現実世界の遷移モデルとそのシミュレーションモデルの間のギャップを埋めることである。 深層強化学習と対実シミュレーションに基づくマルチ動物行動のためのデータ駆動シミュレータを提案する。
  論文  参考訳（メタデータ） (2025-10-12T05:08:26Z)
• CBIL: Collective Behavior Imitation Learning for Fish from Real Videos [58.81930297206828]
  魚の学習行動を直接ビデオから学習するためのスケーラブルなアプローチCBIL(Collective Behavior Imitation Learning)を提案する。 MVAEは2次元の観察を、模倣学習段階に従うためにコンパクトで表現力のある暗黙の状態に効果的にマッピングする。 CBILは、学習された集合的な動きの前の様々なアニメーションタスクに使用することができる。
  論文  参考訳（メタデータ） (2025-03-31T21:15:00Z)
• PRIMAL: Physically Reactive and Interactive Motor Model for Avatar Learning [38.004463823796286]
  我々は,対話型アバターの運動系を生成運動モデルとして定式化する。 基礎モデルの最近の進歩に触発されて,我々はPRIMALを提案する。 このモデルを利用して、Unreal Engineでリアルタイムのキャラクターアニメーションシステムを作成します。
  論文  参考訳（メタデータ） (2025-03-21T21:27:57Z)
• Pre-Trained Video Generative Models as World Simulators [59.546627730477454]
  本研究では,事前学習した映像生成モデルを制御可能な世界シミュレータに変換するための動的世界シミュレーション(DWS)を提案する。 条件付き動作と生成した視覚的変化の正確なアライメントを実現するために,軽量で普遍的な動作条件付きモジュールを導入する。 実験により、DWSは拡散モデルと自己回帰変換モデルの両方に汎用的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-02-10T14:49:09Z)
• Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
  リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。 我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。 本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
  論文  参考訳（メタデータ） (2023-06-01T07:48:34Z)
• Real-World Humanoid Locomotion with Reinforcement Learning [92.85934954371099]
  実世界におけるヒューマノイド移動に対する完全学習型アプローチを提案する。 コントローラーは様々な屋外の地形の上を歩けるし、外乱に対して頑丈で、状況に応じて適応できる。
  論文  参考訳（メタデータ） (2023-03-06T18:59:09Z)
• 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)
• Learning Quadrupedal Locomotion over Challenging Terrain [68.51539602703662]
  足の移動はロボティクスの操作領域を劇的に拡張することができる。 足の移動のための従来のコントローラーは、運動プリミティブと反射の実行を明示的にトリガーする精巧な状態マシンに基づいている。 ここでは、自然環境に挑戦する際の足の移動に対して、徹底的に頑健な制御器を提案する。
  論文  参考訳（メタデータ） (2020-10-21T19:11:20Z)

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。