我们提出了一种数据驱动的方法,从动作捕捉数据中学习逼真的解剖约束上肢运动范围界限。此方法采用了一种高效的超参数调整方案,通过拟合一类支持向量机模型来实现。我们的方法在有效运动范围学习方面优于类似的研究,并提出了一种功能指数评估指标,用于比较健康和受损手臂的能力 / 损伤。我们通过将健康受试者物理约束模拟为偏瘫和不同残疾程度的中风患者,对该指标进行验证。
Nov, 2023
人体运动预测是高效和安全的人机协作的重要步骤。我们提出了一种新颖的人体运动预测框架,该框架在高斯过程回归模型中结合了人体关节约束和场景约束,以在一定时间范围内预测人体运动。该框架还结合了在线上下文感知约束模型来利用任务相关的运动,并在人机协作设置中使用 UR5 机器人手臂实现了实时性能。模拟和实验结果表明,当明确考虑这些约束条件时,高斯过程框架的性能得到了显著改善。
Oct, 2023
该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法,用于预测关节运动和肌肉力量,并证明该方法能有效地识别个体特定的肌骨生理参数,并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。
Sep, 2023
本文介绍了一个基于约束的机器学习模拟框架,使用图神经网络实现约束函数,并通过求解优化问题计算未来预测,可应用于多种具有挑战性的物理领域,提供了传统模拟和数值方法的归纳偏差。
Dec, 2021
利用物理模拟器来捕捉人类运动的动力学约束条件,通过基于 SDF 的交互约束来获得准确参考运动,然后使用采样分布进行运动控制,并训练所需的分布先验,从而可以捕捉到具有地形交互、人体形状变化和多样化行为的物理合理的人类运动。
Mar, 2022
通过模拟物体的物理属性,FORCE 模型引入了一种运动和真实感的多样性,以便细致地描绘人与物体之间的互动。
Mar, 2024
我们提出了一种新的神经网络家族,通过学习基础约束条件来预测物理系统的行为,其中我们的神经投影算子是核心,可以自动有效地发现各种约束条件,并预测不同物理系统的管辖行为。
Jun, 2020
通过深度强化学习等优化方法,可以高效地探索大型和复杂的生物力学模型空间,进而实现合成可行的高维生物力学系统运动。
Mar, 2018
使用特殊的神经网络,将 Social Force Model 嵌入结构,提高人类运动的预测精度和安全性,解释可行,且具有广阔的应用前景和实验支撑。
利用物理学基础知识作为先验知识,通过将物理学基础知识注入到神经网络结构中,从轨迹数据中学习动力学模型,并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束,实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。
Sep, 2021