在神经力学仿真中使用Depth RL模拟人体运动控制

2020-08-22 19:33:05

人们对深度强化学习(DRL)的研究兴趣激增,因为它在游戏和机器人控制等应用中取得了广泛认可的成功。DRL的新进展也为复杂的人体运动控制过程的建模以及对一系列人体运动的预测和控制奠定了基础。在新发表的“神经机械仿真中人体运动控制建模的深度强化学习”一文中,来自斯坦福大学、加州大学伯克利分校和芝加哥大学的研究人员回顾了神经力学仿真和DRL,重点是对人体运动控制建模。许多生物力学和运动控制研究人员已经使用神经力学模拟来研究运动控制模型,这使得能够在肌肉骨骼模型中进行物理校正,以分析观察到的人体运动。然而,该研究小组指出,DRL很少被应用于神经机械模拟来模拟人类的运动控制,这表明这阻碍了精确运动预测模型的发展。

研究人员指出,目前的神经机械控制模型大多是基于在许多动物中观察到的和共享的结构和功能控制假设而建立的,并且仅限于模拟较低层(脊髓)控制和产生稳定的运动行为。在这样的人类运动控制模型中,较低层的控制产生基本的运动模式,而较高层(脊椎上系统)将命令传递给较低的层,以调节底层的模式。作为建立获得特定生理特征的控制模型并使用模拟进行评估的替代方案,研究人员建议在神经机械模拟中采用DRL来训练人工神经网络。“Deep RL可以被认为是训练一个黑匣子控制器,产生感兴趣的运动,”该论文写道,“尽管人工神经网络和生物神经网络之间存在差异,但这种开发多功能控制器的手段在研究人类运动控制方面可能会很有用。”DRL的最新进展使得开发具有高维输入的控制器成为可能,这些控制器产生适用于人类肌肉骨骼模型的输出。在过去的三年里,这个研究团队在领先的机器学习会议NeurIPS上组织了一个学会移动比赛系列。在去年的挑战“学会移动-四处走动”中,表现最好的选手成功地采用了Sota DRL技术来控制3D人体肌肉骨骼模型。这是第一次在没有使用参考运动数据的情况下,在神经机械模拟中展示这些运动行为。研究人员相信,DRL可以提供更多独特的见解,以帮助开发控制模型,这些模型可以产生逼真和复杂的运动,如快速转弯和从步行到站立的转变。该团队计划继续举办学习移动比赛,并希望吸引和鼓励生物力学和康复领域的建模、人类运动控制领域的跨学科研究和合作。神经力学仿真中的人体运动控制建模是基于BIONRXIV的。

这份报告让我们看到了中国在与新冠肺炎的战斗中是如何利用人工智能技术的。亚马逊Kindle上也有,在这份报告的同时,我们还推出了一个全球数据库,涵盖12个大流行场景的额外1428个人工智能解决方案。

我们知道你不想错过任何故事,订阅我们广受欢迎的同步全球AI周刊,获取每周AI更新。