論文の概要: Robot-Induced Bias in Movement Smoothness Metrics for Rehabilitation: Quantification and Correction in Simulation
- arxiv url: http://arxiv.org/abs/2611.15743v1
- Date: Wed, 11 Nov 2026 17:24:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.203229
- Title: Robot-Induced Bias in Movement Smoothness Metrics for Rehabilitation: Quantification and Correction in Simulation
- Title(参考訳): リハビリテーションのための運動平滑度測定におけるロボットによるバイアス:シミュレーションにおける定量化と補正
- Abstract要約: ロボット力学は回復の運動学的尺度をバイアスすることができる。
健常群および脳卒中群キネマティクスを指標としたクローズドループヒトロボットシミュレーションを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robot mechanics can bias kinematic measures of recovery and limit comparisons across rehabilitation devices. We developed a closed-loop human-robot simulation calibrated to published healthy and stroke group kinematics. Paired runs held motor-control parameters and movement plans fixed to quantify bias in seven metrics relative to a low-impedance reference, normalized using external repeatability benchmarks. Within a subset informed by published device specifications, median log dimensionless jerk (LDLJ) bias was 0.93 and 1.79 benchmark units for stroke and healthy profiles, respectively. Sobol analysis identified Coulomb friction and apparent mass as leading contributors; LDLJ bias persisted across 11 robustness variants. LDLJ bias increased as simulated movements became less fragmented. If recovery similarly reduces fragmentation, this effect could partly mask improvement in measured smoothness. Correction combining identified robot dynamics and observed metrics with gradient-boosted trees reduced median normalized absolute error from 0.77 to 0.10 for LDLJ and from 0.24 to 0.08 for spectral arc length (SPARC) in the device-informed subset of a random 20% hold-out. Median smoothness residuals remained at or below 0.15 benchmark units across four separately held-out parameter regions. Under an alternative controller, LDLJ error decreased from 1.60 to 0.17 without retraining, although transfer varied across metrics. These simulation results support mechanical characterization and movement-dependent correction toward more comparable robotic assessments, motivating validation in patients.
- Abstract(参考訳): ロボット力学は、リカバリとリカバリ装置間の比較の制限に関する運動学的尺度をバイアスすることができる。
健常群および脳卒中群キネマティクスを指標としたクローズドループヒトロボットシミュレーションを開発した。
ペアドランは、低インピーダンス基準に対して7つの指標でバイアスを定量化するために固定された運動パラメータと運動計画を保持し、外部の再現性ベンチマークを用いて正規化した。
公表されたデバイス仕様によって通知されたサブセットでは、中央値のログレスジャーク(LDLJ)バイアスはそれぞれ0.93と1.79のベンチマークユニットで、ストロークと健全なプロファイルであった。
ソボル分析ではクーロンの摩擦と見かけの質量を主成分とし、LDLJバイアスは11種類の頑健な変種で持続した。
LDLJバイアスは, 模擬運動が断片化しにくくなるにつれて増大した。
回復が同様に断片化を減少させると、この効果は測定された滑らかさを部分的に隠蔽する可能性がある。
傾斜木を用いたロボット力学と観測指標を組み合わせた補正により, 正準絶対誤差は, LDLJでは0.77から0.10に, ランダム20%ホールドアウトのデバイスインフォームドサブセットではスペクトル弧長(SPARC)では0.24から0.08に減少した。
中間の滑らかさは4つの独立したパラメータ領域にまたがって0.15のベンチマーク単位以下にとどまった。
代替コントローラでは、LDLJのエラーは再トレーニングなしで1.60から0.17に減少したが、転送はメトリクスによって異なる。
これらのシミュレーション結果は、より同等のロボットアセスメントに対する機械的特徴と運動依存の補正をサポートし、患者のモチベーション検証を支援する。
関連論文リスト
- Physically Constrained Kinematic Calibration for High-Precision Robotic Needle Guidance [7.920981814392296]
本稿では,ロボット針誘導マニピュレータのための頑健な境界拘束型運動力学キャリブレーション法を提案する。
シミュレーションでは, ルート平均角誤差(RMSE)を3.422mmから0.690mmに低減した。
その結果, 物理的に拘束された体操キャリブレーションにより, ロボット針の精度が向上することが示唆された。
論文 参考訳(メタデータ) (2026-10-30T08:35:37Z) - Energy-Based Fault Detection and Isolation Framework for Flat Port-Hamiltonian Mechanical Systems [1.8388880538913268]
制御運動中の故障診断は、フィードバックが逸脱を追跡するのを減衰させたとしても、情報信号を必要とする。
本稿では,専用の動的オブザーバを使わずに,機械的ポートパワー残差を構成するエネルギーベースの診断フレームワークを開発する。
論文 参考訳(メタデータ) (2026-10-24T13:50:17Z) - Causal world models under physical parameter shifts [3.3965115081590436]
本研究では,因果モデリングの2つの要素について検討する。
CausalWorldにおけるロボットのリンク質量外挿において,リンク質量が慣性および動的バイアス項に入る指局所世界モデルを開発する。
論文 参考訳(メタデータ) (2026-10-21T02:26:00Z) - Learning Wheel Motion Uncertainty for Degeneracy-Aware LiDAR-Inertial Odometry on Quadrupedal Wheel-Legged Robots [4.4749879494851195]
スリップ・アンド・コンタクト・ロスはローリング予測を信頼できないものにする。
密結合型LiDAR慣性波動計測フレームワークを提案する。
幾何的および車輪運動の困難な条件下で頑健なオドメトリーを実証する。
論文 参考訳(メタデータ) (2026-10-19T15:12:23Z) - LAG-IO: Multi-IMU State Estimation for Legged Robots Using Factor Graphs [15.736421645510996]
LAG-IOは因子グラフに基づくマルチIMU状態推定フレームワークである。
メインボディIMU、複数の脚マウントIMU、およびスライドウインドウ最適化のジョイントエンコーダの計測結果を密に結合する。
平面軌道の精度を高め、観測不能な垂直偏差を低減し、不安定な接触時により滑らかな軌道遷移を提供する。
論文 参考訳(メタデータ) (2026-10-13T07:31:22Z) - Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳(メタデータ) (2026-09-29T11:24:19Z) - On the Numerical Reliability of Differentiable Physics-Based Optimization for Robotic Material Manipulation [43.45447413523909]
微分物理学は、システム識別、軌道またはスキル最適化、デモ生成、ロボットまたはエンドエフェクター設計のためのロボット材料操作において、ますます使われている。
2つの物質点法(MPM)システム同定ベンチマークを用いて,これらの勾配の数値的信頼性について検討した。
論文 参考訳(メタデータ) (2026-09-28T09:03:54Z) - StableIDM: Stabilizing Inverse Dynamics Model against Manipulator Truncation via Spatio-Temporal Refinement [45.47890002128306]
逆ダイナミクスモデル(IDM)は、視覚的な観察を低レベルのアクションコマンドにマッピングする。
このような部分的観測可能性の下で,特徴を視覚入力から安定化し,動作予測を安定化するフレームワークであるStableIDMを提案する。
論文 参考訳(メタデータ) (2026-04-20T06:57:55Z) - MorFiC: Fixing Value Miscalibration for Zero-Shot Quadruped Transfer [50.54752207285298]
異なる形態を持つ四足歩行ロボット間で学習された移動ポリシーを一般化することは、依然として課題である。
単一共有ポリシを用いたゼロショットクロスモルフォロジーロコモーションのための強化学習手法であるMorFiCを提案する。
また,MorFiCは,形態素間の値予測誤差の分散を低減し,有利な推定値を安定化することを示した。
論文 参考訳(メタデータ) (2026-03-15T19:03:34Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳(メタデータ) (2021-01-26T16:01:02Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-18T09:49:11Z)
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。