基于仿真学习速度自适应步行智能体

人体步态的虚拟模型（即数字孪生体）为无需进行耗时的采集工作即可研究行动性提供了可行方案。然而，仿真-现实鸿沟以及对多样化行走条件的适应性有限等挑战仍然存在。为此，我们开发并验证了一个框架，用于创建能够在保持生物力学上真实运动的同时适应不同行走速度的骨骼人oid智能体。该框架结合了合成数据生成器，从开源生物力学数据中产生生物力学上合理的步态运动学，并结合对抗性仿真学习训练智能体的步态策略。我们对智能体的运动学、合成数据和原始生物力学数据集进行了全面分析。该智能体在不同速度下相对于基准运动学数据的根均方误差为5.24±0.09度，表明其适应性。本工作是发展人类 locomotion（行动）数字孪生体的重要一步，具有用于生物力学研究、 exoskeleton（外骨骼）设计和康复的潜在应用。