基于功能模拟的肌肉骨骼控制强化学习
信号处理
2020-07-15 v1 机器学习
机器人学
系统与控制
系统与控制
摘要
为诊断、规划与治疗肌肉骨骼病理，理解并复现复杂运动的肌肉募集至关重要。由于运动的肌肉激活常高度冗余、非线性且随时间相关，机器学习可为其建模与控制提供针对解剖特异的肌肉骨骼模拟的方案。精细的生物力学模拟常需要专门的计算环境，数值复杂且缓慢，阻碍其与典型深度学习框架的集成。本工作中，训练了一种基于深度强化学习（DRL）的逆动力学控制器，以控制人体肩部生物力学模型的肌肉激活。以可泛化的端到端方式，给定当前与期望的位置-速度对，学习得到肌肉激活。引入了用于轨迹定制的奖励函数，使得可直截了当地扩展至额外肌肉与更高自由度。利用该生物力学模型，在使用所训练 DRL 的演化神经模型的同时，在集群上并行模拟多个回合。给出了针对肩部外展单轴运动控制（任务为跟随随机生成的角度轨迹）的结果。
引用
@article{arxiv.2007.06669,
title = {Reinforcement Learning of Musculoskeletal Control from Functional Simulations},
author = {Emanuel Joos and Fabien Péan and Orcun Goksel},
journal= {arXiv preprint arXiv:2007.06669},
year = {2020}
}