自己

Scientific Reports volume 13、記事番号: 8966 (2023) この記事を引用

2 オルトメトリック

メトリクスの詳細

姿勢調整における自己組織化現象は、立位および関連する超姿勢活動中の同相および逆相の姿勢調整モードの自動切り替えメカニズムを理解するために不可欠です。 以前は、このような自己組織化現象を再現するためのモデルベースのアプローチが提案されていました。 しかし、この問題を中枢神経系の内部予測モデルの確立プロセスを含めて設定すると、適応姿勢制御を管理するためのニューラルネットワークを確立するために学習プロセスを考慮することが重要になります。 特に、身体の特徴が成長や老化によって変化する可能性がある場合、または幼児にとっては最初は未知の場合、学習能力は姿勢の安定性を維持し、日常生活でのエネルギーを節約するための人間の運動制御の超適応性を向上させることができます。 本研究では、身体力学や運動学に関する事前の身体モデルを仮定することなく、姿勢モードを適応的に調整できる自己組織化ニューラルネットワークの生成を試みました。 姿勢調整モードは、深層強化学習アルゴリズムを通じて頭部ターゲット追跡タスクで再現されます。 姿勢調整タイプ間の遷移、すなわち同相調整モードと逆相調整モードは、移動ターゲットの周波数を変更することにより、頭部追跡ターゲットのタスク条件を変更することによって再現できます。 これらのモードは、人間の頭部追跡タスクに存在する創発的な現象と考えられます。 相関関係や股関節・足関節の相対位相などのさまざまな評価指標を解析し、同相モードと逆相モード間の姿勢調整遷移を生成する自己組織化ニューラルネットワークの性能を検証します。 さらに、学習後、ニューラル ネットワークは、継続的なタスク条件の変化や、未学習の体重条件にも適応して、一貫した同相モードと逆相モードの交替を維持できます。

人間の姿勢調整を理解することは、高齢者や運動障害のある人や脳卒中などの脳障害のある人の生活の質を向上させるためのリハビリテーションを計画するために不可欠です。 適応的かつ相乗的な姿勢制御メカニズムを探ることは、効果的な身体トレーニング設計を通じてバランス回復を促進するために重要です。

人間のバランス制御研究は、日常の立位作業における人間の運動学習スキルを理解するために広く実施されてきました1,2。 足首戦略や股関節戦略などの基本的な人間のバランス制御戦略は、人体実験 3,4,5 や計算機モデリング シミュレーション 6,7,8,9,10 を通じてよく研究されています。 身体運動の運動学的および運動学的制約を含むこれらの戦略は、さまざまな外部摂動下でのバランス制御または関連する超姿勢活動における姿勢調整の既存の機能モード切り替えを理解するのに役立ちます。

股関節および足首関節 3 の姿勢制御パターンと、同位相や逆位相などの相対位相が、調整パターンを評価するために定義されています。 その長所と限界については、さまざまなリーチタスクにおける股関節と足首の姿勢調整に関する研究 11 で議論されました。 動作調整単位12として、股関節と足首関節の間の動きが立脚時の姿勢制御に必要です13。 静かに立っている戦略 14 中の足首と股関節の調整は、目を開けているときと閉じているときの 2 つの条件で、腰と足首の角変位、速度、加速度の対応する位相ポートレートで観察されました。 足首と股関節の寄与は、健康な参加者とパーキンソン病の参加者に対する人体実験および計算モデルシミュレーションにおけるマルチセグメント制御で顕著でした15。 同様に、足首および股関節-足首戦略などのバランス制御戦略に関して、揺れ周波数の影響を受ける股関節と足首関節の間のセグメント間の運動調整を利用して、不完全脊髄損傷（iSCI）の感覚障害および運動障害を評価しました。 16. 姿勢調整の自己組織化現象に関しては、人間の頭部追跡実験において、股関節と足首関節の「同相または逆相」の 2 つのモードで自己組織化モードが自然に現れることは Bardy グループの研究でよく知られています 17 、18、19。 被験者に与えられた課題の目標周波数に応じて、低周波数には同相モードが使用され、高周波数には逆相モードが使用されました。

最適化アルゴリズムを人間のような姿勢動作の再現の実装に適用できることは注目に値します。 例えば、同相と逆相の姿勢調整モード間の遷移は、先行研究20,21の動的最適化モデルによって予測され、姿勢制御の能力を理解するために姿勢戦略の選択に対する制約の影響が評価されました。 。 平衡制約を伴うエネルギー基準の最小化に基づく制約付き最適化プロセスが提案されました 21 が、このモデルは定常状態の挙動のみを考慮していました。 過渡的な動的挙動は、ヤコビアン擬似逆関数を使用して再現20して、最小ノルム解を提供できます。 ただし、上記のモデルでは、モデル最適化アプローチのための身体の運動学または力学の知識が必要です。

しかし、私たちの知る限り、頭部追跡タスクのための自己組織化された姿勢調整モードの再現を可能にするモデルフリーのアプローチに関する文献はありません。 特に、体の特徴が成長や老化によって変化する可能性がある場合、または幼児にとっては最初は未知の場合、学習能力は人間の姿勢制御の高度な適応にとって不可欠となる可能性があります。 そこで本研究では、課題条件に応じた人間のような「股関節-足首」の相転移をモデルフリー学習アルゴリズムで訓練した自己組織化ニューラルネットワークを再現できるか提案し検証する。

したがって、私たちはさまざまな状況における姿勢調整モードの創発メカニズムを研究するための学習ベースの方法を開発します。 私たちの研究の主な貢献は次のように要約されます。

深部強化学習 (DRL) アプリケーションは、頭部追跡タスク中に自己組織化姿勢調整モードを再現するニューラル ネットワークを形成するために提案されています。

タスクベースの制約とターゲット ポイントの周波数が考慮され、姿勢調整モードの切り替えに対するそれらの影響が研究されています。

足首と股関節の相関や相対位相などのさまざまな評価指標を使用して、ヘッドトラッキングタスク中の姿勢位相を区別し、同位相と逆位相の間の過渡的な挙動を学習したニューラルネットワークで再現しました。タスクの状態が連続的に変化すること。

学習されたニューラルネットワークは、伝達可能な能力のための未学習の異なる上半身の質量条件に対する同相および逆相の交替も実証した。 バランスを保ちながら増加した慣性効果を管理するために、より高いアッパーマス条件には逆位相が採用されました。

私たちがこの研究で深層強化学習を使用することを選択したのは、深層強化学習が、冗長性の下で、多目的最適化のためのアクセスできないボディダイナミクスの条件で制御ソリューションを調査するのに適したアルゴリズムであるためです。

論文の次は次のように構成されています。 「モデルと方法論」セクションでは、シミュレーション設定、アルゴリズム、目標関数と報酬関数、実験計画を含むモデルと方法論を紹介します。 さまざまな実験設定での適応運動学習の結果は、「姿勢課題に関する運動学習の結果」セクションで分析されます。 「さらなる議論」セクションでは、影響要因と位相調整との関係についてさらに議論します。 この研究の結論と展望は、「結論と展望」セクションにまとめられています。

(a) アイザック ジムのヒューマノイドのシミュレーション モデル。 (b) アクタークリティカル構造を備えた深層強化学習の一種である PPO のトレーニング フレームワーク。

深層強化学習を使用してニューラル ネットワークをトレーニングするには、重力下でヒューマノイド エージェントと外部物理環境との相互作用中に生成されたデータを収集する必要があります。 実験は Isaac Gym23 が提供する物理エンジンを使用したシミュレーション環境で行いました。

Isaac Gym は、NVIDIA 社によってロボット学習用に設計された高性能 GPU ベースの物理シミュレーション エンジンです23。 エンドツーエンドの GPU アクセラレーションと数千のシミュレーション環境の並列処理により、Isaac ジムは、他のシミュレーション ソフトウェア環境と比較して、強化学習タスクを実行する際のトレーニング速度を大幅に向上させることができます。

実験に使用したシミュレーション モデルは、図 1 に示すように、Isaac Gym の人型エージェントに基づいて修正されました。元のバージョンの人型ロボットには 21 の自由度があります。 無関係な変数を除外するために、シミュレーションでは体の両側の股関節と足首関節のみを保持し、他の関節を固定しました。 両足間の距離は肩幅でした。 ミラーリングされた入力を同じジョイントに与えることで、ヒューマノイドの可動範囲を 2D 空間に縮小します。 この場合、ロボットには、右脚と左脚の股関節と足首の 4 つの自由度があります。 シミュレーション モデルのその他の物理パラメータを表 1 に示します。

実験では、近接ポリシー最適化 (PPO)22 を使用してロボットをトレーニングします。これは、アクタークリティカル フレームワークに基づく最先端の深層強化学習アルゴリズムの 1 つです。 PPO は、同期更新を備えた並列アーキテクチャに基づいて、複数のエージェントからトレーニング データを同時に収集できます。 これにより、GPU 上の Isaac ジム並列シミュレーションを最大限に活用して、トレーニング プロセスを正確に行うことができます。

図 1b に示すように、PPO のトレーニング フレームワークには 2 つのニューラル ネットワークがあり、1 つはアクター ネットワーク \(\pi _{\theta }\left( a_{t} \mid s_{t}\right) です。 \)、もう 1 つは批評家ネットワーク \(V_{\phi }\left( s_{t}\right)\) です。 アクター ネットワーク \(\pi _{\theta }\) は、各制御タイムステップでの入力状態 \(s_t\) に従って、アクション \(a_t\) をサンプリングするために使用されます。 批評ネットワーク \(V_{\phi }\left( s_{t}\right)\) は、状態 \(s_t\) から開始して期待される平均収益を推定できる値関数です。

PPO は、エージェントと環境の間の対話から収集された経験に基づいて、アクター ネットワークとクリティカル ネットワークを更新します。 アクターネットワーク \(\pi _{\theta }\) を更新するために使用される損失関数は次のように表されます。

ここで \(\hat{A}_{t}\) は時刻 t での推定利点です。 利点 \(A_t\) は、状態 \(s_t\) で取られたアクション \(a_t\) がどの程度良いか悪いかを評価するために使用されます。 \(A_t\) が 0 より大きい場合は、現在行われているアクションが期待よりも多くの報酬を得る可能性があることを示し、その逆も同様です。

PPO は「クリッピング」と呼ばれる方法を使用して更新の大きさを制限し、トレーニングの安定性を向上させます。 尤度比 \(\omega _t\) は、新しいポリシー \(\pi _{\theta }\) と古いポリシー \(\pi _{\theta _{\text{ old } }}\)。

\(\omega _t\) が \(\left( 1-\varepsilon , 1+\varepsilon \right)\) の範囲を超える場合、クリップ関数 \({\text {clip}}\left( \omega _ {t}(\theta ), 1-\varepsilon , 1+\varepsilon \right)\) は勾配を 0 に設定します。 次に、最小関数は、クリップされた利点とクリップされていない利点の間の \(L^{CLIP}(\theta )\) の下限を選択します。

クリティカル ネットワークの損失関数は次のように表されます。

ここで、 \(V_{\theta }\) は推定値、 \(V_{t}^{{\text {target}}}\) は実際の値です。 実験で使用した PPO のハイパーパラメータを表 2 に示します。

私たちの目標は、ヒューマノイドの頭部に矢状面内の X 軸方向の周期的な往復運動を追跡させることです。 視覚的にわかりやすくするために、ヒューマノイドの頭の上にある赤いボールを使用してターゲット ポイントの位置を示します。 ヘッドトラッキングターゲットの軌道の運動方程式は次のように定式化されます。

ここで、A は振幅であり、ターゲット ポイントは [0, 2A] の範囲で X 軸に沿って移動します。 fは目標点の移動周波数を表す。 この目標設定は、立った参加者の頭部を使って前後方向の目標追跡を実行したため、研究で採用された人間の頭部追跡実験と同じです19。

報酬関数 \(R_{total}\) は次のように表されます。

ここで、 \(R_{stay}\) は地面に対するヒューマノイドの足の動きを制限するために使用されます。 \(P_{f0}\) はヒューマノイドの足の初期位置、 \(P_{ft}\) はヒューマノイドの足の初期位置です。は、時間 t におけるヒューマノイドの足の位置です。 \(R_{target}\) は、ヒューマノイドがターゲットを追跡するよう促すために使用されます。ここで、\(P_{target_x}\) は x 軸上のターゲット ポイントの位置、\(P_{head_x}\) はX 軸における人型頭部の位置。 \(R_{energy}\) と \(R_{torque}\) はロボットのエネルギー消費を制限するために使用されます。ここで \(\tau _j\) は関節 j のトルク、\(\omega _j\) は関節 j の角速度、\(\Delta t\) はシミュレーション データのサンプリング間の時間間隔です。 人型胴体の重心の高さが 1m 未満の場合、人型は落下したと判断され、\(R_{total}\) が -1 に設定されます。 各報酬項を調整するための重みは \(\alpha\)、\(\beta\)、\(\gamma\) です。

ヒューマノイドの姿勢動作調整に影響を与える可能性のある要因は数多くあります。 実験では、目標点の運動頻度、学習過程の報酬におけるエネルギー消費重量の影響を分析し、学習後の未学習の上半身の質量状態を変更して新たな課題についても確認しました。

エネルギー消費量は、式 (1) の変数 \(\gamma\) を調整することで調整されます。 (6)。 ターゲット点の周波数は、式 (1) の変数 f を通じて調整されます。 (5)。

このセクションでは、トラッキングバランスタスク中の同相と逆相の間の姿勢モードの自己組織化に対するタスクベースの制約の影響を研究します。 エネルギー消費ペナルティがヘッドトラッキングタスクに及ぼす影響も研究されています。 エネルギー消費は、人体実験 24 やシミュレーション 7、20、21、25 で直立作業に不可欠な要素として検証されています。 人間の体は、日常活動の中で特定の動作タスクを完了するときに、エネルギー最適化ポリシーを使用してエネルギー消費を節約しようとするため、これは合理的です。

これらのタスク制約は、モデルフリー学習法を通じて実装されたトラッキングバランスシミュレーションで考慮され、この研究ではその影響メカニズムが調査されます。 タスクベースの制約と、頭部を追跡する目標点の頻度は、人体実験 17,19,26 とフィードバック付き二重倒立振子モデルのシミュレーション 20 で股関節と足首の調整に及ぼす影響について研究されています。 しかし、彼らの研究では、学習に基づいた運動調整の適応性は研究されていませんでした。 したがって、股関節と足首関節の間の同相および逆相調整モードの有効性をさらに研究するには、モデルフリー学習方法が適応的な自己組織化動作を作成するためのニューラル ネットワークを確立できるかどうかを検証することが重要です。

頭部追跡タスクは日常生活では一般的なアクティビティではありませんが、床が加速または減速しているときに頭部の安定性を維持することに相当します。 小さな外​​乱の場合は同相平衡化で十分ですが、大きな外乱の場合は逆相平衡化が必要です。 このような状況は、日常生活でバスや電車に乗るときによく起こります。 ヘッドスピードを調整することで、外乱の強さを変えることができます。

式1のターゲットポイントのモーショントラッキング周波数fでの学習トラッキングバランシングタスクのスクリーンショット。 (5) 0.15[Hz]と1.5[Hz]について。 ここで、式のエネルギー消費ペナルティパラメータ \(\gamma\) は、 式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。

式(1)のモーション追跡周波数 f における追跡ターゲットと人型エージェントの頭部の位置とその距離。 (5) 0.15[Hz]と1.5[Hz]について。 ここで、式(1)のエネルギー消費ペナルティパラメータγは、 式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。

式(1)の運動追跡周波数 f における足首と股関節の関節角度。 (5) 0.15[Hz]と1.5[Hz]について。 ここで、式のエネルギー消費ペナルティパラメータ \(\gamma\) は、 式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。 \(t_0\) と \(t_1\) は、現在の動作サイクルにおける足首と股関節の最大角度に対応するタイムステップです。

このセクションでは、追跡周波数が自己組織化姿勢調整モードにどのように影響するかを示します。 追跡ターゲットの周波数の変化により、人型モデルがターゲット追跡タスクを完了するための頭部の移動速度を決定できます。 さらに、動作速度の変化は、バランスパフォーマンスの安定性を維持する関節調整モードに影響を与える可能性があります。 したがって、追跡周波数に関して同相パターンと逆相パターンを採用できます。 トラッキング周波数は 0.15、0.30、0.45、0.60、0.75、0.90、1.05、1.20、1.35、1.50 [Hz] の 10 種類に設定されています。 式1のターゲットポイントのモーショントラッキング周波数fでの学習トラッキングバランシングタスクのスクリーンショット。 0.15 [Hz] と 1.5 [Hz] に関する式 (5) を図 2 に示します。 式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。 図 2 より、1 段目の足首と股関節の間の同相運動パターンは目標周波数 0.15 [Hz] に対して維持されますが、2 段目の足首と股関節の間の逆相運動パターンが表示されます。目標段階では \(60^{\circ }\)、\(120^{\circ }\)、\(180^{\circ }\)、\(240^{\circ }\)、\(300) ^{\circ }\) 追尾対象周波数 1.5 [Hz]。 対応する頭部動作の例を図 3 に示します。追跡ターゲットと人型エージェントの頭部の位置は、動作追跡周波数 0.15 [Hz] および 1.5 [Hz] でプロットされています。 足首と股関節の対応する関節角度を図 4 に示します。低周波では同相、高周波では逆相であることが確認できます。

まず、対応する追跡精度は、表 3 に示すように、ターゲットとヘッドの相関 R、ヘッドの動きの平均振幅、および平均ヘッド速度を通じて定量化されます。ターゲットとヘッドの相関 R は、人物相関係数によって計算されます。 表 3 の相関 R の高い値から、頭部追跡タスクが正しく実行されたことが確認できます。 1.2 [Hz] を超える高いターゲット動作周波数では、ターゲットと頭部の相関 R が高い値からわずかに減少していることが観察されます。追跡速度が速くなるにつれて、タスクの追跡が難しくなる可能性があります。

式 1 のターゲット ポイントのさまざまなモーション トラッキング周波数 f の影響を受ける圧力中心 (CoP) のボックス プロット。 (5) それぞれ、0.15、0.30、0.45、0.60、0.75、0.90、1.05、1.20、1.35、1.50[Hz]。 ここで、式のエネルギー消費ペナルティパラメータ \(\gamma\) は、 式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。

次に、圧力中心 (CoP) を使用してバランスの安定性を推定します。 圧力中心 (CoP) のボックス プロットは、式 (1) のターゲット ポイントの次のモーション トラッキング周波数 f の影響を受けます。 (5) 図 5 には、それぞれ 0.15、0.30、0.45、0.60、0.75、0.90、1.05、1.20、1.35、1.50 [Hz] が示されています。CoP の分布は、トラッキング周波数の増加とともに増加します。 高速追従性能の場合、バランスを崩す危険性はあるはずです。 したがって、バランスの維持は、高速トラッキングバランスタスクにおいて重要な要素となります。 私たちのモデリングでは、ヒューマノイド エージェントは広範囲の周波数で追跡とバランスのタスクを完了でき、足には片側の制約があります。 これは、PPO によって提案されたトレーニング済みネットワークの堅牢性を示しています。

式（1）のターゲット点のさまざまな運動追跡周波数 f によって影響を受ける相関係数と相対位相の展開。 (5) それぞれ、0.15、0.30、0.45、0.60、0.75、0.90、1.05、1.20、1.35、1.50[Hz]。 ここで、式のエネルギー消費ペナルティパラメータ \(\gamma\) は、 式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。

トラッキング周波数は、トラッキングバランスタスクの同相や逆相など、足首と股関節の運動調整パターンを変更するための影響因子です27。 したがって、追跡バランスタスクにおける追跡周波数の影響を受ける姿勢調整モードの自己組織化を理解しようとしました。 相関係数の展開、式 (1) のターゲット点の次の運動追跡周波数 f の影響を受ける相対位相。 (5) 0.15 ～ 1.50 [Hz] のそれぞれを図 6 に示します。ここで、式 (5) のエネルギー消費ペナルティパラメータ \(\gamma\) は式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。 股関節と足首の関節角度の相関係数は、コーディネートパターン全体の特徴を要約することができます。 図 6 からわかるように、トラッキング周波数 0.15、0.30、0.45、および 0.60 [Hz] では、対応する正の相関関係は、同位相パターンが足首と股関節の間で機能したことを意味します。 ただし、追跡周波数 0.75、0.90、1.05、1.20、1.35、および 1.50 [Hz] の負の相関は、足首と股関節の間の逆位相パターンを示しています。 したがって、姿勢調整モードの遷移は、上記の実験設定のように比較的低い値と高い値に関する追跡周波数の変化に依存します。 さらに、股関節および足首の相関係数は相対位相と負の相関があります。

次に、追跡周波数の変化が足首と股関節の角度にどのような影響を与えるかについて説明します。 図 6 では、相対位相はトラッキング周波数と正の相関があります。 相対位相は \(\left| t_0-t_1\right| \times f \times \pi\) として計算されました。ここで、f はターゲットの運動周波数、\(t_0\) と \(t_1\) はタイムステップですこれは、図 4 に示すように、現在の動作サイクルにおける足首と股関節の最大角度に対応します。追跡頻度が高いということは、追跡動作タスクの速度が速いことを意味するためです。 人型エージェントのこの素早い反応は、転倒の危険性を考慮して上肢の加速/減速を補うために足首と股関節が反対方向の動作強度を高めない限り、危険なパフォーマンスを引き起こす可能性があります。 その場合、バランス維持要件のため、同相共同使用によるソリューション スペースはありません。 ただし、足首と股関節が逆位相で調整されている場合、全身の重心を足の領域に近い地面に投影する解決策があります。

股関節と足首の平均ピークツーピーク関節位置を図 7 にプロットし、股関節範囲が低周波から高周波までどのように変化したかを示します。 足首関節の可動範囲は同様でありながら、股関節トルクの増加とともに股関節振幅の増加が観察できます。 この傾向は、以前の人による測定 19 および以前のモデルベースのシミュレーション結果 20 とも一致しています。 事前に力学および運動学の情報を使用せずに、学習したニューラル ネットワークで同じ自己組織化プロセスを再現できることを確認するのは良いことです。 角度位置を考慮した股関節の可動範囲は、高周波追従の足首関節の可動範囲に比べてはるかに大きいため、股関節が高速追従動作の積極的かつ主導的な調整を担っていることがわかります。 特定のタスクにおける追跡頻度によって、足首と股関節の調整モードを使用する方法が決定される可能性があることは注目に値します。

さまざまな頭部追跡周波数によるバランス制御の研究と、さまざまな運動調整モードによるその分析は、臨床応用に重要な意味を持ちます。 ヘッドトラッキング周波数が運動調整モードにどのような影響を与えるかを理解することは、神経疾患などの平衡障害を持つ個人に対する効果的なリハビリテーションプログラムの開発に役立つ可能性があります。 特定の運動調整モードを対象としたリハビリテーション プログラムを設計することで、姿勢制御を改善し、転倒のリスクを軽減できます。 さらに、運動調整モードを研究することは、調整パターンの変化により転倒のリスクが高い可能性がある個人を特定するのに役立ちます。 運動調整モードとそれらの頭部追跡速度との関係を調べることで、臨床医は、高齢者や神経疾患を持つ人などの高リスク集団の姿勢制御を改善し、転倒リスクを軽減するための的を絞った介入を開発できます。

(a) ピーク間のジョイントの位置。 各点は 100 秒間のシミュレーション結果の平均値です。 (b) 足首と股関節のトルク振幅。 ヒップトルクは同相の場合は小さく、逆相の場合は大きくなります。

タスク制約による姿勢モード遷移を調べた後、今度は別の要素である報酬におけるエネルギーペナルティに焦点を当てましょう。 エネルギー消費により、モーション タスクの実装にどのタイプのモーション ポリシーを適用するかが決まります。 したがって、エネルギー消費により足首と股関節の間の姿勢調整が変化する可能性があると考えられます。 式から (6)、\(R_{エネルギー}\) と \(R_{トルク}\) は、ロボットのエネルギー消費を制限するために使用されます。 この研究では、追跡バランスタスク中の姿勢調整に対するエネルギーペナルティの影響を理解するために、式1のエネルギー重み（エネルギーインデックス）\(\gamma\)を調整します。 (6) 次の値を持つ: 0、5、10、15、20、25、30、35、および 40。次に、追跡バランスタスクのパフォーマンスと姿勢調整の移行を別々に研究します。

表 4 の結果によれば、ターゲットと頭部の相関 R は各エネルギー インデックスで高く維持できました。これらの相関関係は、エネルギー ペナルティの設定が異なる場合でも、タスクがヘッド トラッキング タスクで適切に実行されたことを示しています。 対応する頭部振幅も、エネルギーペナルティに関係なく、同様の頭部運動傾向を示します。 したがって、ヘッドトラッキング精度そのものには影響を与えることなく、省エネルギー化が可能であると考えられる。 表 4 は、エネルギー ペナルティに従うことで、必要なエネルギー コストを大幅に削減できることも示しています。 したがって、タスクのパフォーマンスを維持しながら、より少ないエネルギーでモーションを作成できます。

相関係数の展開、さまざまなエネルギー消費ペナルティパラメータ \(\gamma ~=\) の影響を受ける相対位相、式 (1) の 0、5、10、15、20、25、30、35、40 (6)、それぞれ。 ここで、式(1)の目標点の運動振幅 A は次のようになります。 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。 そして、式(1)の目標点の運動追跡周波数 f は次のようになります。 (5)は0.4[Hz]です。

このシナリオでは、足首と股関節の間の姿勢調整が、トレーニング報酬関数のエネルギー ウェイトを調整することによって研究されます。 相関係数と相対位相は、調整モードの遷移を定量化するために採用されます。 相関係数の展開、式 (1) のさまざまなエネルギーペナルティパラメーター \(\gamma ~=\) 0、5、10、15、20、25、30、35、および 40 の影響を受ける相対位相。 式 (6) のそれぞれを図 8 に表示します。式 (6) の目標点の動き振幅 A は、 (5)は0.1[m]です。 足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。 そして、式(1)のターゲット点の運動追跡周波数 f は、次のようになります。 (5)は0.4[Hz]です。

エネルギー重量の増加に伴い、股関節と足首の相関係数は負の値から正の値に変化します。 式 1 のエネルギー重み \(\gamma ~=\) 0 と 5 の場合の負の相関係数。 (6) は足首と股関節の間の逆位相モードを表します。 ただし、足首と股関節の間の同相モードは、式 1 の大きなエネルギー重み \(\gamma ~=\) 10、15、20、25、30、35、40 で現れます。 (6)、それぞれ。 エネルギー節約の観点から見ると、特定のバランスと頭部の追跡タスクを管理するソリューションがある場合、足首と股関節の間の同相調整は逆相調整よりもエネルギー消費が少なくなります。 するとこの場合、同相と逆相の２種類の解があったと考えられますが、エネルギーペナルティを適用することで、エネルギー効率の悪い解を取り除くことができ、同相の解となっています。 逆相モードは、同相モードでは解決策がない場合でも、トラッキングバランスタスク中により多くのエネルギーを消費することで、適応モーターの柔軟性を高めます。 ただし、同相と逆相の両方が利用できる場合は、エネルギーペナルティを適用して逆相の解決策を削除する方が良いでしょう。 これは、エネルギー消費とタスク管理の関係を考慮すると理解できます。

さらに、エネルギー消費重量の増加に伴って相対位相は減少する。 これは、追跡平衡課題のエネルギー消費量を変更すると、足首と股関節の間の運動調整の運動学的特徴が変化する可能性があることを示しています。 上で説明したように、特定のタスクの管理中にエネルギー節約目標を追求するために、運動モードは逆相から同相に切り替わります。 さらに、エネルギーペナルティは、原則として足首と股関節の調整モードを同相のエネルギー効率の高い運動モードに変更する傾向があると結論付けることができますが、安定した動作が観察できるため、エネルギー重み設定は姿勢モードの選択に対してそれほど敏感ではありません。重みの値が 10 を超えた後の相対的な位相関係。 報酬のエネルギーペナルティの重みは、学習プロセスのハイパーパラメータです。 報酬にはエネルギーペナルティを考慮する必要があることが確認できましたが、それは一貫した同相および逆相モードの使用を再現するための非常に敏感な要素ではありません。

これまでの研究では、人間の関節の硬さは主に年齢28,29、体の大きさ30,31、性別32,33,34,35,36によって異なることが示されています。 関節の剛性は、静かに立っているときのバランス制御に不可欠な要素であり 28、姿勢制御においては年齢とともに増加します 29。 股関節の剛性は股関節の中立位置に戻るための回復トルクを変化させるため、股関節の剛性の変化は可動域に影響を与える可能性があります。 たとえば、最近の研究 37 では、静かに立っているときの最大可動域と股関節の硬さの関係は、一般的な角度では一貫していることが示されています。 したがって、股関節の剛性の増加により、追跡バランス作業中の股関節と足首の姿勢調整が変化する可能性があります。 本研究では、人型モデルの左右の股関節の剛性を一緒に変更することを提案します。 ここでは生体力学的基準に基づいて 8 つの条件が示されています: 25、50、75、100、125、150、175、200 [Nm/rad]20、38、39、40。

相関係数の展開、異なる股関節剛性値 25、50、75、100、125、150、175、200 [Nm/rad] の影響を受ける相対位相。 式のエネルギー消費ペナルティパラメータ \(\gamma\) 式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首の硬さは 25 [Nm/rad] のままです。 そして、式(1)のターゲット点の運動追跡周波数 f は、次のようになります。 (5)は0.5[Hz]です。

このシナリオでは、さまざまな股関節の硬さが姿勢の運動調整に及ぼす影響を理解しようとします。 上で述べたように、剛性は動作モードを変更する可能性がある重要な機械的制約となる可能性があります。 股関節と足首の間の同相から逆相への運動モードの切り替えを研究するために、相関係数と相対位相の 2 つの評価指標が提案されています。 異なる股関節剛性値 25、50、75、100、125、150、175、200 [Nm/rad] の影響を受ける相関係数、相対位相の推移をそれぞれ図 9 に示します。 ここで、エネルギー消費ペナルティパラメータ \式の (\ガンマ\) 式(6)の目標点の動き振幅Aは20です。 (5)は0.1[m]です。 足首の硬さは 25 [Nm/rad] のままです。 そして、式(1)のターゲット点の運動追跡周波数 f は、次のようになります。 (5)は0.5[Hz]です。

股関節の剛性が増加するにつれて、股関節と足首の相関係数は負の値から正の値に変化します。 25、50、75、100 [Nm/rad] などの小さな剛性値の場合、対応する負の相関は、追跡バランス タスク中の足首と股関節の間の逆位相の調整を表します。 ただし、股関節の剛性 125、150、175、および 200 [Nm/rad] に関する正の相関は、追跡バランス タスク中の足首と股関節の間の姿勢モードが同相であることを示しています。 剛性が高い場合には、ニュートラル位置に戻るためのサポートトルクがあり、ヘッドトラッキングタスク中の上半身の慣性効果は比較的小さく見えるため、同相モードを引き続き使用できます。 周波数が増加した場合、より高いボディ慣性効果を管理するために逆位相モードが必要になります。 剛性が高い場合、慣性効果は減少しますが、同相ソリューションを引き続き使用できます。 むしろ、関節剛性が低下すると、車体慣性を補償する必要性が高まり、逆位相モード調整がより必要となります。 小さな剛性に対する逆位相のモーター調整には大きな運動強度を採用する必要があるため、これは合理的です。 対照的に、大きな剛性に対する同相運動調整では、足首と股関節の動きの強度が小さくなります。 対応する緑色の曲線は、股関節の剛性が増加するにつれて相対位相が減少することを示しており、これは人体実験で観察されています 17,19。

特定の筋骨格系の状態や損傷のある人は、臨床リハビリテーション中に特定の関節に影響を与える関節の硬さの変化を経験することがあります。 たとえば、変形性股関節症の人は、関節軟骨や関節包の変化により股関節の硬さの増加を経験することがありますが、足首の関節の硬さは変化しないことがあります。 同様に、股関節置換手術を受けた人は、股関節の硬さの変化を経験する可能性があります。 同位相や逆位相などの股関節と足首の調整モードの採用を含む自己組織化姿勢制御システムは、これらの個人の日常生活におけるより良い起立能力を理解するのに役立つ可能性があります。

前のセクションでは、与えられたタスクや条件に応じてモード変更を使用する自己組織化ニューラル ネットワークを形成できました。 学習プロセスには、特定の周波数に関する情報と経験がありました。 さらに、ニューラル ネットワークはさまざまな周波数でトレーニングされますが、周波数を連続的に変化させるのではなく、固定設定として与えられました。

このセクションでは、学習されたニューラル ネットワーク モデルに対して、足首と股関節の姿勢調整に関する周波数の連続変化下での挙動を研究します。 低周波には股関節と足首関節間の同相を採用しました。ターゲット周波数の増加に伴い、図10に示すように、モードは徐々に逆相に移行し、周波数は時間の経過とともに直線的に増加しました。 周波数の増加率は 25 秒間で 0.036 Hz/s です。 図 10 は、ニューラル ネットワークが固定の異なる設定のみでトレーニングされた場合でも、連続周波数であっても調整モードの過渡的な変化を示しています。 これは、周波数範囲が経験済みのスケール内であれば、最初に与えられる新しいタスクに対しても、ニューラル ネットワークには一定の転送可能な能力があることを示しています。 実験 4 で生成された動きはビデオ (補足ファイル 1) で確認できます。

ターゲット周波数が連続的に変化する場合の典型的な結果。 (a) 足首と股関節の関節角度の変化。 (b) ターゲット周波数の増加に伴う足首関節と股関節の間の相関係数。 遷移周波数は 0.69 Hz です。 相関係数を計算するためのウィンドウの長さは 300 タイムステップです。 周波数の増加率は 0.036 Hz/s です。 シミュレーション時間は 25 秒です。

ヘッドトラッキングタスク中に周波数を増加させると、目標速度はより大規模に変化し、必然的に上半身の加速と減速がより大きくなります。 通常のターゲット周波数であっても、上半身の質量が増加すると、上半身のより大きな質量の加速と減速が発生する可能性があります。 学習されたニューラル ネットワークがより大きな慣性効果を管理できることを期待して、上半身の質量が増加した新しいタスクに対してニューラル ネットワークがどのように動作するかを検証しました。 実験 1 のセクションで説明したように、ニューラル ネットワークは異なるターゲット周波数でのみトレーニングされることに注意してください。

このシナリオは、足首と股関節の姿勢調整に関する自己組織化ニューラル ネットワークの転移学習能力を扱い、対応する相関係数と相対位相を通じて評価されました。 これらの指標は、実験 1 で説明したように、創発モードと運動学的特徴の遷移を示すことができます。0.0 から 4.0 [kg] までの異なる上半身の追加質量の影響を受ける相関係数と相対位相の変化をそれぞれ図に示します。 11. 式(1)のターゲットの運動追跡周波数 f (5)は0.4[Hz]です。 この目標周波数では、比較的低い周波数であるため、図 12 の上部プロットで確認できるように、通常は実験 1 と同様に同相モードが使用されます。追加される上部ボディは 0.0 から 4.0 [kg] に増加します。 、股関節と足首の相関係数はプラスからマイナスに減少しました。 これは、姿勢調整モードが同相から逆相に切り替わったことを意味します。 上半身の質量を増加させるというこのタスクがニューラルネットワークに新たに与えられた場合でも、この自己組織化モードの交替を観察することは興味深い。

日常生活でリュックサックを背負って通勤や通学をする人は多いですが、リュックサックの重さは日によって異なります。 バックパックを背負うと上半身の質量が増加することが多く、バランス制御や姿勢の安定性に課題が生じる可能性があります。 これは、バックパックの重量が事前に不明な場合に特に当てはまります。 そのため、腰と足首の運動調整モードに焦点を当てて、背中に荷物を運ぶことによるバランス制御と姿勢の安定性への影響を調べるために、このシナリオを研究に組み込みました。 たとえば、股関節や足首に怪我を負っている人は、股関節と足首の運動調整モードが損なわれている可能性があり、日常生活活動中に転倒の危険性が高まる可能性があります。 バックパックの重量が股関節と足首の運動調整モードに及ぼす影響を調査することで、姿勢の安定性を向上させ、転倒のリスクを軽減するリハビリテーション プログラムをより適切に設計できるようになります。

上半身に追加される荷重の重量の違いによって影響を受ける相関係数、相対位相の変化。 式のエネルギー消費ペナルティパラメータ \(\gamma\) は次のとおりです。 (6) は 20 です。足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。 式(1)のターゲット点の運動追跡周波数 f (5)は0.4[Hz]です。

足首と股関節の関節角度により荷重の重さが異なります。 式のエネルギー消費ペナルティパラメータ \(\gamma\) は次のとおりです。 (6) は 20 です。足首と股関節の剛性は 25 [Nm/rad] と 125 [Nm/rad] のままです。 式(1)のターゲットの運動追跡周波数 f (5)は0.4[Hz]です。

トラッキングバランスタスク全体における股関節角度と足首関節角度の相関係数は、股関節の剛性 25 ～ 200 [Nm/rad] と式 (1) の目標点の運動周波数 f によって決まります。 (5) 0.05～0.5[Hz]。

このセクションでは、股関節の剛性と追跡周波数の複合影響因子が追跡パフォーマンスおよび足首と股関節の調整パターンの切り替えに及ぼす影響について説明します。 これまでの 4 つの実験で説明したように、機械的およびタスクベースの制約は、足首と股関節の間の自己組織化に重大な影響を与えます。 したがって、これらの制約を組み合わせて、さらに多くのケースを検討したいと思います。 ここでは、機械的およびタスクベースの制約を考慮して、例として股関節の剛性とトラッキング周波数を取り上げます。

この研究の主な目的は、足首と股関節の間の創発的な調整モードのメカニズムを調査することです。 ここでは、股関節と足関節の角度の相関係数を利用して協調モードを評価します。 同相モードと逆相モードの間の連続遷移を探索するための機械的およびタスクベースの制約を考慮して、姿勢調整フェーズに影響を与える股関節の剛性とターゲット追跡周波数を含む 2 つの重要な要素が選択されます。 図 13 において，目標追従周波数の増加と股関節剛性の低下に伴い，相関係数が正の値から負の値に変化することは，姿勢調整が同相から逆相に切り替わることを意味する。 股関節の剛性が低下した状態では上半身の慣性効果がより顕著に現れるため、股関節の剛性などの機械的制約が位相モードに影響を与える可能性があります。 股関節の剛性が高い場合、姿勢調整モードは同相のままですが、股関節の剛性が低い場合は逆位相が維持されます。 股関節剛性が 50 ～ 150 [Nm/rad] の範囲では、調整モードはターゲット追跡周波数に大きく影響されます。 さらに、以前の人体実験で議論されたように、股関節の剛性が固定された状態でターゲット追跡周波数が増加すると、足首と股関節の間の同相から逆相への連続的な移行が発生しました17。

また、モード交替に対する頭部運動の振幅の影響を調査するテストも行いましたが、観察された交替は周波数効果ほど明確ではありませんでした。 前に説明したように、質量の加速と減速はモード交代を引き起こす上で重要な役割を果たします。 機械力学によれば、振幅自体はこの現象に比較的小さな影響を与えます。 人間の場合、振幅はある程度の影響を与える可能性がありますが、私たちの足は床の上で剛体であるため、あまりグリップ力を発揮しません。 その結果、持続可能な振幅範囲は、振幅テストで大幅な変化を観察できるほど広くありません。 この側面をさらに研究するには、足の指による足のグリップ機能や摩擦などの要素が必要になります。

本研究では、身体力学や運動学に関する事前の身体モデルを仮定することなく、姿勢モードを適応的に調整できる自己組織化ニューラルネットワークを生成することを提案および研究した。 姿勢調整モードは、深層強化学習アルゴリズムを通じて頭部ターゲット追跡タスクで再現されます。 このような結果は、オフライン最適化 21 やモデルベース制御モデル 20 に基づいたモデルでは得られません。 姿勢調整タイプ間の遷移、つまり同相調整モードと逆相調整モードは、移動するターゲットの周波数を変更することによって再現できます (図 6)。 モードの交替は、文献で報告されている観察結果と一致していました 17,19。

相関係数と相対位相は、足首と股関節の同位相と逆位相の 2 つの調整モードを示しました。 これらの指標は、足首と股関節の角度の空間的特徴を示すことができます。 姿勢モダリティの出現は、股関節の硬さ、エネルギー消費、追跡ターゲットの頻度に関する機械的およびタスクベースの制約によって影響を受けました。 図 8 の結果から、エネルギーペナルティは足首と股関節の調整モードを同相モードに変化させる傾向があると結論付けることができます。 エネルギー節約の観点から見ると、解決策があれば、同相調整は足首と股関節の間の逆相調整よりもエネルギー消費が少なくなります。 ただし、このタスクには複雑な質量慣性効果が含まれており、股関節を集中的に関節運動する必要があるため、逆位相モードになります。 股関節の剛性などの身体パラメータもモード切り替えに影響を与えることが確認できました。 関節剛性が低下すると、車体慣性を補償する必要性が高まり、逆位相モード調整がより必要となります（図9）。

最後に、姿勢調整モード間の連続移行が実現され、自己組織化されたモード切り替えを維持しながら、新しいタスクに対する学習されたニューラル ネットワークの適応性を実証できました。 ニューラル ネットワークが連続的な周波数変化の下でトレーニングされていない場合でも、同相から逆相への一貫したモード変更を維持しながら、時変するターゲット周波数の変化に適応できます。 さらに、学習されたニューラル ネットワークがより大きな慣性効果を管理できることを期待して、上半身の質量が増加した新しいタスクに対してニューラル ネットワークがどのように動作するかを検証しました。 ニューラル ネットワークは異なるターゲット周波数でのみトレーニングされることに注意してください。 上半身の慣性が増加するため、モードは自己組織化された方法で逆位相に変更されました。

この研究は、コンピュータによる人間の運動学習への新しいアプローチを提供し、頭部追跡タスクにおける自己組織化の姿勢様式を示しています。 将来の研究では、体の大きさや肥満、立位時の機能的到達などの他の制約や課題の下での足首と股関節の間の継続的な調整ダイナミクスを調査する可能性があります。 さらに、全身タスクに向けて現在の研究を改善するために、首、腕、股関節、膝、足首の関節を含む複数のセグメント全体が身体モデリングに考慮される可能性があります。 最後に、同相と逆相の交番は、機械システムにおける同期現象の 1 つです。 相乗的な同期振動に関するより一般化された観点も、自然の機械システムに動的平衡を誘導するための重要な将来の研究の方向性です41。

分析の実行に使用されるすべてのコードはリポジトリから入手できます。 https://github.com/Li-Guanda/SwingHumanoid。

Winter、D. 立ったり歩いたりするときの人間のバランスと姿勢の制御。 歩行姿勢 3(4)、193–214 (1995)。

記事 Google Scholar

Nashner, LM 人間の姿勢動作の組織化: 正式な基礎と実験的総合。 振る舞い。 脳科学。 8(1)、135–150 (1985)。

記事 Google Scholar

Horak, FB & Nashner, LM 姿勢動作の集中プログラミング: 変更された支持面構成への適応。 J. Neurophysiol. 55(6)、1369–1381 (1986)。

論文 CAS PubMed Google Scholar

Horak, FB、Nashner, LM & Diener, HC 体性感覚と前庭の喪失に関連する姿勢戦略。 経験値脳解像度 82(1)、167–177 (1990)。

論文 CAS PubMed Google Scholar

Shen, K.、Chemori, A.、林部 M. 運動学的運動相乗効果分析による人間のバランス回復戦略の分類。 IEEE Engineering in Medicine and Biology Societyの第44回年次国際会議、EMBC 2022、pp. 1792–1796 (2022)。

Kuo、AD & Zajac、FE 人間の立位姿勢: 生体力学的制約に基づく多関節運動戦略。 プログレ。 脳解像度 97(C)、349–358 (1993)。

論文 CAS PubMed Google Scholar

Kuo, AD 人間の姿勢バランスを解析するための最適制御モデル。 IEEEトランス。 バイオメッド。 工学 42(1)、87–101 (1995)。

論文 ADS CAS PubMed Google Scholar

Shen, K.、Chemori, A.、林部 M. 数値モデル予測制御戦略に基づく人間のようなバランス回復。 IEEE Access 8、92050–92060 (2020)。

Google スカラー

Shen, K.、Chemori, A.、林部 M. 非線形モデル予測制御による人間の静かな立位バランス回復のための腕の使用の有効性評価。 第 3 回制御とロボットに関する国際会議、ICCR 2020、pp. 150–153 (2020)。

Shen, K.、Chemori, A.、林部 M. 人間の腕戦略と、モデル予測制御によるバランス回復へのその貢献を再現します。 フロント。 ニューロロボット。 2021 年 5 月 15 日。

アラスカ州ガルゴンおよびペンシルベニア州シェウォキス 平均絶対相対位相、偏差位相、点推定相対位相を使用して、連続到達タスクにおける姿勢調整を測定します。 J.スポーツサイエンス。 医学。 15(1)、131–141 (2016)。

PubMed PubMed Central Google Scholar

Bernshtein, N. 運動の調整と規制 (Pergamon Press、オックスフォード、1967 年)。

Google スカラー

Bonnet, T. & Lepeut, M. 末梢欠陥を持つ個人による採用: レビュー。 Ｊ．Ｍｏｔ． 振る舞い。 43(4)、219–228 (2011)。

記事 Google Scholar

荒牧裕介 ほか人間が静かに立っているときの足首と股関節の相互角加速度。 経験値脳解像度 137(1)、463–473 (2001)。

記事 Google Scholar

Boonstra, TA、Schouten, AC & Van Der Kooij, H. 足首と股関節が多部分のバランス制御に寄与していることを特定。 J. NeuroEng. リハビリテーション.10(23) (2013)

Noamani, A.、Lemay, JF、Musselman, KE & Rouhani, H. 不完全脊髄損傷後の姿勢制御戦略: 体幹と脚の動きの調整に対する感覚入力の影響。 Ｊ．Ｎｅｕｒｏｅｎｇ． リハビリ。 17(1)、1–12 (2020)。

記事 Google Scholar

Bardy、BG、Marin、L.、Stoffregen、TA、Bootsma、RJ 創発現象とみなされる姿勢調整モード。 J.Exp. サイコル。 ハム。 知覚する。 実行する。 25(5)、1284–1301 (1999)。

論文 CAS PubMed Google Scholar

Marin, L.、Bardy, BG、Baumberger, B.、Flückiger, M. & Stoffregen, TA 目標指向のスタンスの制御におけるタスクの要求と表面特性の間の相互作用。 ハム。 移動。 科学。 18(1)、31–47 (1999)。

記事 Google Scholar

Bardy、BG、Oullier、O.、Bootsma、RJ、Stoffregen、TA 人間の姿勢遷移のダイナミクス。 J.Exp. サイコル。 ハム。 知覚する。 実行する。 28(3)、499–514 (2002)。

論文 PubMed Google Scholar

ボネット、V. et al. 人間の姿勢調整を予測・解析するための構造的に最適な制御モデル。 Ｊ．Ｂｉｏｍｅｃｈ． 44(11)、2123–2128 (2011)。

論文 PubMed Google Scholar

Martin, L.、Cahouet, V.、Ferry, M.、Fouque, F. 姿勢調整モードの最適化モデル予測。 Ｊ．Ｂｉｏｍｅｃｈ． 39(1)、170–176 (2006)。

論文 PubMed Google Scholar

Schulman, J.、Wolski, F.、Dhariwal, P.、Radford, A. & Klimov, O. 近接ポリシー最適化アルゴリズム。 arXiv:1707.06347[cs.LG] (2017)。

Makoviychuk、V.、Wawrzyniak、L.、Guo、Y.、Lu、M.、Storey、K.、Macklin、M.、Hoeller、D.、Rudin、N.、Allshire、A.、Handa、A. &他。 Isaac Gym: ロボット学習のための高性能 GPU ベースの物理シミュレーション。 arXiv プレプリント arXiv:2108.10470[cs.RO] (2021)。

Houdijk, H.、Fickert, R.、van Velzen, J. & van Bennekom, C. 直立姿勢時のバランス制御のエネルギーコスト。 歩行姿勢 30(2)、150–154 (2009)。

論文 PubMed Google Scholar

Shen, K.、Chemori, A.、林部 M. 人間の腕戦略と、モデル予測制御によるバランス回復へのその貢献を再現します。 フロント。 ニューロロボット。 15（2021）。

Bardy, BG、Oullier, O.、Lagarde, J. & Stoffregen, TA 姿勢調整力学における摂動とパターンの共存について。 Ｊ．Ｍｏｔ． 振る舞い。 39(4)、326–336 (2007)。

論文 PubMed Google Scholar

Sofianidis, G.、Elliott, MT、Wing, AM & Hatzitaki, V. 周波数スケールのリズミカルな揺れにおける対人調整と姿勢調整の間の相互作用: ダンスの専門知識の役割。 歩行姿勢 41(1)、209–216 (2015)。

論文 PubMed Google Scholar

Winter、DA、Patla、AE、Prince、F.、Ishac、M.、Gielo-Perczak、K. 静かに立った状態でのバランスの剛性制御。 J. Neurophysiol. 80、1211–1221 (1998)。

論文 CAS PubMed Google Scholar

Cenciarini, M.、Loughlin, PJ、Sparto, PJ & Redfern, MS 姿勢制御における剛性と減衰は年齢とともに増加します。 IEEEトランス。 バイオメッド。 工学 57、267–275 (2010)。

論文 PubMed Google Scholar

グエン、AP 他。 3歳から90歳までの健康な参加者の手首の粘弾性に及ぼす年齢と体の大きさの影響と信頼性の評価。 フロント。 スポーツアクティブライブ 2、4 (2020)。

Google スカラー

Nguyen, AP、Detrembleur, C.、Fisette, P.、Selves, C. & Mahaudens, P. Myotonpro は、健康な若者の手首の生体力学的硬さを評価するための有効なデバイスです。 フロント。 スポーツアクティブライブ 4、2 (2022)。

Google スカラー

西脇正人、黒部健人、木内明、中村哲也、松本直樹、柔軟性と動脈硬化の関係における性差と動脈硬化の診断への応用：横断観察研究。 PLoS ONE 11、9 (2016)。

Google スカラー

Fouré, A.、Cornu, C.、McNair, PJ & Nordez, A. 足底屈筋シリーズの弾性コンポーネントの剛性と筋腱複合体の幾何学的パラメーターの能動部分と受動部分の両方における性差。 J. Orthop. 解像度 30(5)、707–712 (2012)。

論文 PubMed Google Scholar

Ahimastos、AA、Formosa、M.、Dart、AM、Kingwell、BA 思春期前後の大動脈硬化における男女差。 Ｊ．クリン． 内分泌。 メタブ。 88(11)、5375–5380 (2003)。

論文 CAS PubMed Google Scholar

パドヴァ、DA、ガルシア、CR、アーノルド、BL、グラナータ、KP 両足ホッピング中の脚の剛性と剛性の獲得戦略における男女差。 Ｊ．Ｍｏｔ． 振る舞い。 37、111–126 (2005)。

論文 PubMed Google Scholar

DuPont、JJ、Kenney、RM、Patel、AR & Jaffe、IZ 動脈硬化のメカニズムにおける性差。 Br. Ｊ．Ｐｈａｒｍａｃｏｌ​​． 176、4208–4225 (2019)。

論文 CAS PubMed PubMed Central Google Scholar

Elliott, BJ、Hookway, N.、Tate, BM & Hines, MG 受動的な股関節の硬さまたは可動範囲は、静かに立っているときの脊椎の湾曲および姿勢と相関していますか? 歩行姿勢 85、273–279 (2021)。

論文 PubMed Google Scholar

van der Kooij, H.、Fricke、SS、Veld、RC vt、Prieto、AV、Keemink、AQL、Schouten、AC & van Asseldonk、EHF 歩行中の股関節、膝関節、足首関節のインピーダンスを特定する装置と方法 (2021) 。

Loram, ID & Lakie, M. 静かに立っているときの人間の足首の剛性の直接測定: 固有の機械的剛性は安定性を得るには不十分です。 Ｊ．Ｐｈｙｓｉｏｌ． 545(3)、1041–1053 (2002)。

論文 CAS PubMed PubMed Central Google Scholar

Koopman, B.、Van Asseldonk, EH、Van Der Kooij, H. LOPES 歩行トレーナーを使用した人間の股関節と膝の多関節ダイナミクスの推定。 IEEEトランス。 ロブ。 32(4)、920–932 (2016)。

記事 Google Scholar

林部正史 & 下田真司 エネルギー散逸システムの動的平衡を誘導するための分散型ニューラルインテグレータによる相乗同期発振。 科学。 議員第 12 号、17163 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

リファレンスをダウンロードする

本研究は、JSPS科学研究費補助金新学術領域超適応プロジェクト（22H04764）の支援を受けて行われました。

Keli Shen と Guanda Li という著者も同様に貢献しました。

東北大学大学院工学研究科ロボット工学専攻

Keli Shen, Guanda Li & Mitsuhiro Hayashibe

LIRMM、モンペリエ大学、CNRS、モンペリエ、フランス

アーメド・チェモリ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

KS と GL は同等にこの作品に貢献しており、共同筆頭著者とみなされるべきです。 KS と GL はコードを実装し、原稿を書きました。 ACは制御エンジニアリング面を監修した。 MH は研究デザインを考案し、原稿を書きました。 著者全員が原稿をレビューしました。

Correspondence to Mitsuhiro Hayashibe.

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

補足事項 １．

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Shen、K.、Li、G.、Chemori、A. 他。 深層強化学習により人間の姿勢モードの変化を再現する自己組織化ニューラル ネットワーク。 Sci Rep 13、8966 (2023)。 https://doi.org/10.1038/s41598-023-35886-y

引用をダウンロード

受信日: 2023 年 1 月 19 日

受理日: 2023 年 5 月 25 日

公開日: 2023 年 6 月 2 日

DOI: https://doi.org/10.1038/s41598-023-35886-y

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。