Learning Speed-Adaptive Walking Agent Using Imitation Learning with Physics-Informed Simulation

要約

人間の歩行の仮想モデル、つまりデジタル ツインは、労働集約的なデータ収集を必要とせずにモビリティを研究するための有望なソリューションを提供します。
しかし、シミュレーションと現実のギャップや、多様な歩行条件への適応性の制限などの課題は依然として残っています。
これらに対処するために、生体力学的に現実的な動きを維持しながら、さまざまな歩行速度に適応できる骨格ヒューマノイド エージェントを作成するフレームワークを開発および検証しました。
このフレームワークは、オープンソースの生体力学データから生体力学的に妥当な歩行運動学を生成する合成データ ジェネレーターと、敵対的模倣学習を使用してエージェントの歩行ポリシーをトレーニングするトレーニング システムを組み合わせています。
私たちは、エージェントの運動学、合成データ、元の生体力学データセットを比較する包括的な分析を実施しました。
このエージェントは、グラウンドトゥルース運動学データと比較して、さまざまな速度で 5.24 +- 0.09 度の二乗平均平方根誤差を達成し、その適応性を実証しました。
この研究は、人間の移動運動のデジタルツインの開発に向けた重要な一歩を表しており、生体力学の研究、外骨格の設計、リハビリテーションに応用できる可能性があります。

要約(オリジナル)

Virtual models of human gait, or digital twins, offer a promising solution for studying mobility without the need for labor-intensive data collection. However, challenges such as the sim-to-real gap and limited adaptability to diverse walking conditions persist. To address these, we developed and validated a framework to create a skeletal humanoid agent capable of adapting to varying walking speeds while maintaining biomechanically realistic motions. The framework combines a synthetic data generator, which produces biomechanically plausible gait kinematics from open-source biomechanics data, and a training system that uses adversarial imitation learning to train the agent’s walking policy. We conducted comprehensive analyses comparing the agent’s kinematics, synthetic data, and the original biomechanics dataset. The agent achieved a root mean square error of 5.24 +- 0.09 degrees at varying speeds compared to ground-truth kinematics data, demonstrating its adaptability. This work represents a significant step toward developing a digital twin of human locomotion, with potential applications in biomechanics research, exoskeleton design, and rehabilitation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google