权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

解剖学的神経筋骨格モデルに基づく二足歩行生成の深層強化学習とその人類学応用

基于解剖神经肌肉骨骼模型的双足运动生成的深度强化学习及其人类学应用

基本信息

批准号：
20H03331
负责人：
荻原直道
金额：
$ 11.23万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (B)
财政年份：
2020
资助国家：
日本
起止时间：
2020-04-01 至 2023-03-31
项目状态：
已结题

项目摘要

本研究では、ヒトの精密３次元神経筋骨格モデルを構築し、深層強化学習を活用してヒトの実３次元歩行運動を相応の精度で再現できる二足歩行運動の動力学的シミュレーションを構築する。そしてヒトの二足歩行運動の神経情報処理と、ヒトの身体構造に内在する歩行生成知能を構成論的に読み解くとともに、その人類学への応用可能性を示すことを目指している。本年は、深層強化学習に基づく３次元筋骨格モデルの二足歩行生成を試みた。筋骨格モデルは、Stanford大学で開発された７節片側11筋からなる３次元筋骨格モデルを用いた。股関節が２自由度、膝関節と足関節がそれぞれ１自由度を有するため、この筋骨格モデルの自由度は14である。筋には長さ―力関係、速度―力関係といった筋の力学特性が考慮されており、神経系からの運動指令（0～1の連続量）により筋張力を生成する。一方、神経系には、前庭器官、関節受容器、足裏触覚受容器、筋紡錘、ゴルジ腱器官が感知する信号に対応する計97の感覚情報が入力される。本研究では、97の感覚情報から22の運動指令を出力する深層ニューラルネットワークを構築し、Deep Deterministic Policy Gradient法に基づいて運動制御の深層強化学習を試みた。その結果、実歩行データと必ずしも類似しないなど問題が残されているが、二足歩行の生成を実現することが可能となった。また、前年に構築した解剖学的に精密なヒト足部の３次元有限要素モデルを用いて、二足歩行中の足部と床面との力学的相互作用を計算機内に再現することを試みた。具体的には、ヒト二足歩行中の運動力学データをもとに、立脚期中の足部運動を強制変位として与え、骨格動態やそれによって生じる力作用を計算機内に再現することを試みた。

In this study, we aim to construct a precise 3-D neural network model, and construct a dynamic model of bipedal walking motion using deep reinforcement learning. This paper discusses the theory of mental information processing and the structure of walking knowledge in bipedal walking, and shows the possibility of anthropological application. This year, deep reinforcement learning is based on three-dimensional muscle structure and two-step walking generation. Stanford University has developed a three-dimensional framework for research and development. Femur joints have 2 degrees of freedom, knee joints have 1 degree of freedom, and muscle joints have 14 degrees of freedom. The mechanical properties of tendons are considered in the relationship between tendon length and force, velocity and force, and the generation of tendon tension is considered in the movement command (0~1) of the mental system. The sensory information of the sensory system, vestibular organ, joint receptor, foot receptor, tendon spindle and tendon organ is input into the system. This study attempts to construct a deep reinforcement learning system for motor control based on 97 sensory information and 22 motor commands. The results of the operation are similar to those of the previous operation. The three-dimensional finite elements of the foot in the previous year's anatomy were used to reconstruct the mechanical interaction between the foot and the bed surface in the two-foot walk. The specific motion dynamics of the foot during walking, foot movement during standing, stress position, and force generation of the bone structure dynamics are reproduced in the computer.