筋シナジー誘導型強化学習による身体性筋骨格運動スキル学習

科学分野:

• ロボティクス
• 生体力学
• 機械学習

背景:

• 複雑な筋骨格モデルにおける人間のような運動スキルの獲得は、高次元性とアクチュエータの冗長性によって妨げられています。
• 既存の手法は、自然な動きに必要な複雑な協調に対処するのに苦労しています。

研究 の 目的:

• 神経生理学的知見、特に筋シナジーを統合する強化学習フレームワークを開発し、身体性モデルにおける運動スキル学習を改善すること。
• シミュレートされた筋骨格システムにおける運動制御の効率、精度、および解釈可能性を向上させること。

主な方法:

• 筋シナジーを制御ポリシーの生理学的知見として組み込んだ、シナジー誘導型強化学習フレームワークを開発しました。
• このフレームワークは、協調的な筋活動パターンを使用して学習をガイドし、分離されたシナジー誘導型および残差制御コンポーネントを使用します。
• 4つのバドミントンのストローク（フォアハンド/バックハンド、インワード/アウトワードネットスライス）とフォアハンドのハイスパイクサーブをベンチマークタスクとして使用しました。

主要な成果:

• 提案手法は、すべてのタスクで平均二乗誤差が0.015ラジアン未満と高い精度を達成しました。
• 軌跡精度、エネルギー効率（最大14.9％削減）、および収束速度において、近位方策最適化（PPO）ベースラインを上回りました。
• 学習された筋シナジーは、ヒトのシナジーと適度な類似性を示し、生物学的妥当性と解釈可能性を示唆しています。

結論:

• 神経生理学的知見を強化学習に統合することは、効率的で解釈可能で人間のような運動制御のための実行可能な道を提供します。
• このアプローチは、運動スキル評価、ヒューマンマシンインターフェース、およびリハビリテーション技術への応用において大きな可能性を秘めています。