KINESIS：面向人类生物力学 locomotion 的运动模仿
机器人学
2026-03-26 v3 人工智能
计算机视觉与模式识别
机器学习
神经元与认知
摘要
人类是如何移动的？强化学习 (RL) 的进展已在捕捉基于物理的人形机器人运动方面取得了令人印象深刻的结果。然而，扭矩控制的人形机器人无法建模诸如生物力学关节约束和非线性且过度驱动的肌肉-腱控制等关键人类运动控制方面的要素。我们提出了 KINESIS，一个无模型的运动模仿框架，用于解决这些挑战。KINESIS 在 1.8 小时的 locomotion 数据上进行训练，在 unseen trajectory 上实现了出色的运动模仿性能。通过负采样方法，KINESIS 学习到鲁棒的 locomotion 先验，我们利用这些先验在文本到控制、目标点到达和足球罚球决赛等多个下游任务上部署该策略。重要的是，KINESIS 学习到与人类 EMG 活动密切相关的肌肉活动模式。我们展示，这些结果在生物力学模型复杂度的尺度性扩展方面表现出色，显示出最高可达 290 个肌肉的控制能力。总体而言，生理学上的合理性使 KINESIS 成为解决人类运动控制中具有挑战性问题的有前景的模型。代码、视频和基准数据可在 https://github.com/amathislab/Kinesis 获取。
引用
@article{arxiv.2503.14637,
title = {KINESIS: Motion Imitation for Human Musculoskeletal Locomotion},
author = {Merkourios Simos and Alberto Silvio Chiappa and Alexander Mathis},
journal= {arXiv preprint arXiv:2503.14637},
year = {2026}
}
备注
Accepted to ICRA. Here we include an appendix