Nonlinear action prediction models reveal multi-timescale locomotor control

要約

現実世界のタスクでのモデリングの動きは、基本的な科学的目標です。
ただし、実験室に制約のある設定で圧倒的にテストされている既存のモデルとその仮定が、現実の世界に一般化するかどうかは不明です。
たとえば、フット配置制御のデータ駆動型モデル – 安定した移動のための重要なアクション – 線形および単一のタイムスケールマッピングを想定しています。
非線形の足の配置予測モデルを開発し、GRUやトランスなどの柔軟な入力履歴依存性を備えたニューラルネットワークアーキテクチャ（ウォーキングとランニング、トレッドミルと地下、さまざまな地形）と入力モダリティ（複数の体の状態、視線）にわたって最適に機能し、従来のモデルを上回ることがわかります。
これらのモデルは、コンテキストおよびモダリティ依存のタイムスケールを明らかにします。複雑な地形での高速速度の予測に依存し、体状態の予測に先行する視線の予測、および全身状態予測は、マスに関連する中央の予測に先行します。
したがって、非線形アクション予測モデルは、実際の運動制御に関する定量化可能な洞察を提供し、他のアクション、コンテキスト、および集団に拡張できます。

要約(オリジナル)

Modeling movement in real-world tasks is a fundamental scientific goal. However, it is unclear whether existing models and their assumptions, overwhelmingly tested in laboratory-constrained settings, generalize to the real world. For example, data-driven models of foot placement control — a crucial action for stable locomotion — assume linear and single timescale mappings. We develop nonlinear foot placement prediction models, finding that neural network architectures with flexible input history-dependence like GRU and Transformer perform best across multiple contexts (walking and running, treadmill and overground, varying terrains) and input modalities (multiple body states, gaze), outperforming traditional models. These models reveal context- and modality-dependent timescales: there is more reliance on fast-timescale predictions in complex terrain, gaze predictions precede body state predictions, and full-body state predictions precede center-of-mass-relevant predictions. Thus, nonlinear action prediction models provide quantifiable insights into real-world motor control and can be extended to other actions, contexts, and populations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google