强化学习用于生物力学中高维连续控制：ArtiSynth-RL 简介
信号处理
2019-12-10 v3
摘要
神经控制是一个令人兴奋的谜题，我们本能地掌握它。然而，研究者难以解释运动控制轨迹。生理准确的生物力学模拟可在一定程度上模仿活体被试并帮助我们形成基于证据的假设。在这些模拟环境中，肌肉激励通常通过逆动力学优化计算，而逆动力学优化不存在闭式解。因此，计算昂贵且偶尔不稳定的迭代数值求解器是唯一被广泛采用的方案。本工作中，我们介绍 ArtiSynth，一个支持多体模型与有限元模型联合仿真的三维建模平台，并将其扩展以支持强化学习（RL）训练。我们进一步使用 ArtiSynth 探究深度 RL 策略是否可被训练以驱动生理准确的生物力学模型在大型连续动作空间中的运动控制。我们对其性能进行了综合评估，并将结果与具有二次目标函数的前动力学辅助跟踪进行比较。我们从正确性、稳定性、能量效率和时间一致性方面评估了这两种方法。
引用
@article{arxiv.1910.13859,
title = {Reinforcement Learning for High-dimensional Continuous Control in Biomechanics: An Intro to ArtiSynth-RL},
author = {Amir H. Abdi and Masoud Malakoutian and Thomas Oxland and Sidney Fels},
journal= {arXiv preprint arXiv:1910.13859},
year = {2019}
}
备注
Deep Reinforcement Learning Workshop NeurIPS 2019