Наблюдается всплеск исследовательского интереса к глубокому обучению с подкреплением (DRL), чему способствовал его широко признанный успех в таких приложениях, как игры и управление роботами. Новые достижения в области DRL также заложили основу для моделирования сложных процессов управления моторикой человека, а также для прогнозирования и контроля ряда движений человека.
В новой статье Глубокое обучение с подкреплением для моделирования управления движением человека в нейромеханическом моделировании исследователи из Стэнфордского университета, Калифорнийского университета в Беркли и CMU рассматривают нейромеханическое моделирование и DRL, уделяя особое внимание моделированию управления движением человека. Многие исследователи в области биомеханики и моторного контроля изучали модели моторного управления, используя нейромеханическое моделирование, которое позволяет физически правильные движения в скелетно-мышечной модели с целью анализа наблюдаемых движений человека. Однако команда отмечает, что DRL редко применяется в нейромеханическом моделировании для моделирования управления движением человека, предполагая, что это препятствует разработке точных моделей прогнозирования движения.
Исследователи отмечают, что современные модели нейромеханического контроля были в основном созданы на основе гипотез структурного и функционального контроля, наблюдаемых и разделяемых многими животными, и ограничиваются моделированием контроля нижнего слоя (спинного мозга) и формированием устойчивого двигательного поведения. В таких моделях управления движением человека контроль нижнего уровня генерирует базовые двигательные паттерны, в то время как более высокий уровень (надспинальная система) передает команды нижнему уровню для модуляции нижележащих паттернов.
В качестве альтернативы построению моделей управления, которые получают определенные физиологические характеристики и используют симуляции для оценки, исследователи предлагают использовать DRL для обучения искусственных нейронных сетей в нейромеханических симуляторах. «Deep RL можно рассматривать как обучение контроллера черного ящика, который производит движения, представляющие интерес, - говорится в статье, - несмотря на несоответствие между искусственными и биологическими нейронными сетями, такие средства разработки универсальные контроллеры могут быть полезны при исследовании управления моторикой человека. »Последние достижения в области DRL позволили разработать контроллеры с многомерными входами, которые производят выходные данные, применимые к моделям опорно-двигательного аппарата человека.
В течение последних трех лет эта исследовательская группа организовывала серию соревнований Learn to Move на ведущей конференции по машинному обучению NeurIPS. В прошлогоднем задании Научитесь двигаться - гулять лучшие специалисты успешно адаптировали методы SOTA DRL для управления трехмерной моделью опорно-двигательного аппарата человека. Это был первый случай, когда такое двигательное поведение было продемонстрировано в нейромеханическом моделировании без использования эталонных данных о движении. Исследователи полагают, что DRL может предложить дополнительную уникальную информацию, которая поможет в разработке моделей управления, которые генерируют реалистичные и сложные движения, такие как быстрые повороты и переходы от ходьбы к стоянию.
Команда планирует продолжить проведение конкурса Учись двигаться и надеется привлечь и поощрить междисциплинарные исследования и сотрудничество в области моделирования управления моторикой человека для биомеханики и реабилитации.
Статья Моделирование управления движением человека в нейромеханическом моделировании посвящена bioRxiv.
Репортер: Фаню Цай | Редактор: Майкл Саразен
Синхронизированный отчет | Обзор решений искусственного интеллекта в Китае в ответ на пандемию COVID-19 - 87 тематических исследований от 700+ поставщиков ИИ
В этом отчете предлагается взглянуть на то, как Китай использовал технологии искусственного интеллекта в борьбе с COVID-19. Он также доступен на Amazon Kindle. Наряду с этим отчетом мы также представили базу данных, охватывающую 1428 дополнительных решений искусственного интеллекта из 12 сценариев пандемии.
Нажмите здесь, чтобы найти больше отчетов от нас.
Мы знаем, что вы не хотите пропустить ни одной истории. Подпишитесь на наш популярный Synced Global AI Weekly, чтобы получать еженедельные обновления AI.
