面向高效逆动力学的多关节物理信息深度学习框架
机器学习
2025-11-17 v1 人机交互
信号处理
摘要
高效估计多关节系统中肌肉激活和力值对于临床评估和辅助设备控制至关重要。然而，传统方法计算昂贵且缺乏针对多关节应用的高质量标注数据集。为此，我们提出了一个物理信息深度学习框架，从运动学直接估计肌肉激活和力值。该框架采用新颖的多关节交叉注意（MJCA）模块，包含双向门控循环单元（BiGRU），以捕捉关节间的协调，使每个关节能够适应性地整合来自其他关节的运动信息。通过嵌入多关节动力学、关节间耦合和外部力交互到损失函数中，我们的物理信息 MJCA-BiGRU（PI-MJCA-BiGRU）在无需标注数据的情况下提供生理一致的预测，同时实现高效推理。在两个数据集上的实验验证表明，PI-MJCA-BiGRU 在不要求 ground-truth 标签的情况下，实现了与传统监督方法相当的性能，而 MJCA 模块显著提高了关节间协调建模能力。
引用
@article{arxiv.2511.10878,
title = {Multi-Joint Physics-Informed Deep Learning Framework for Time-Efficient Inverse Dynamics},
author = {Shuhao Ma and Zeyi Huang and Yu Cao and Wesley Doorsamy and Chaoyang Shi and Jun Li and Zhi-Qiang Zhang},
journal= {arXiv preprint arXiv:2511.10878},
year = {2025}
}
备注
11 pages