論文の概要: A generalist policy for muscle-driven control across individual musculoskeletal models

• arxiv url: http://arxiv.org/abs/2610.36535v1
• Date: Tue, 27 Oct 2026 02:47:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.223744
• Title: A generalist policy for muscle-driven control across individual musculoskeletal models
• Title（参考訳）: 筋骨格モデルにおける筋制御の一般政策
• Abstract要約: myoAcrossは、個々の筋骨格モデル構築、形態条件付きポリシー学習、仮想モデル拡張を組み合わせたフレームワークである。 31モデルにわたって、MyoAcrossは99.24%の完成を達成し、無条件の多層パーセプトロンと比較して追尾誤差を22.60%削減した。
• 参考スコア（独自算出の注目度）: 3.901980345469919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differences in musculoskeletal morphology challenge policy reuse across individual models. Here we present MyoAcross, a framework that combines individual musculoskeletal model construction, morphology-conditioned policy learning and virtual model augmentation to enable muscle-driven reference-motion tracking without individual fine-tuning. Across 31 held-out individual models, MyoAcross achieves 99.24% completion and reduces tracking error by 22.60% relative to an unconditioned multilayer perceptron. Policy reuse extends to models of 22 held-out individuals constructed from single-image shape estimates, measured height and body mass, and, with asymmetry augmentation, to models with unilateral lower-limb shortening. Comparisons with measurements from 120 additional individuals show agreement in vertical ground reaction force waveforms and channel-dependent agreement between simulated muscle activations and electromyography. These results establish a common control framework for comparative simulations of movement across individual musculoskeletal models.
• Abstract（参考訳）: 筋骨格形態学的課題における個々のモデル間の再利用の相違 ここでは,筋骨格モデル構築,形態条件付き政策学習,仮想モデル拡張を組み合わせたフレームワークであるMyoAcrossについて述べる。 31モデルにわたって、MyoAcrossは99.24%の完成を達成し、無条件の多層パーセプトロンと比較して追尾誤差を22.60%削減した。 政策の再利用は、単一画像の形状推定、身長と体重の測定から構築された22の保持された個体のモデルに拡張され、非対称性の強化により、片側的な下肢短縮モデルに拡張される。 120人の被験者による測定結果と比較すると, 垂直接地力波形と筋活動と筋電図とのチャネル依存性の一致が認められた。 これらの結果は、個々の筋骨格モデル間での運動の比較シミュレーションのための共通の制御枠組みを確立する。

関連論文リスト

• Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
  HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。 7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。 HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
  論文  参考訳（メタデータ） (2026-04-30T14:10:30Z)
• 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)
• 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)
• Diff-MSM: Differentiable MusculoSkeletal Model for Simultaneous Identification of Human Muscle and Bone Parameters [5.071602765737453]
  筋と骨のパラメータを同時に同定するために,Diff-MSM (Diff-MSM) を用いた。 Diff-MSMを用いた新しいパラメータ識別技術は、筋肉の健康モニタリング、リハビリテーション、スポーツ科学における新しい応用を可能にする大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-08-18T18:43:43Z)
• EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
  Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
  論文  参考訳（メタデータ） (2024-05-23T05:25:45Z)
• 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)
• 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)
• 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)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)

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。