प्रोस्थेसिस के साथ दौड़ना: मांसपेशियों, हड्डियों और एक तंत्रिका नेटवर्क का उपयोग करके मानव आंदोलन के नेक्स्टजेन सिमुलेशन

सियोल यूनिवर्सिटी के कर्मचारियों ने डीप रेनफोर्स लर्निंग के साथ एक तंत्रिका नेटवर्क का उपयोग करते हुए संयुक्त कार्य और मांसपेशियों के संकुचन के आधार पर द्विपाद पात्रों के आंदोलन का अनुकरण करने पर एक अध्ययन प्रकाशित किया। अवलोकन के कट अनुवाद के तहत।



मेरा नाम जेही ली है। मैं 25 साल के अनुभव के साथ सियोल नेशनल यूनिवर्सिटी में एक प्रोफेसर और एक कंप्यूटर ग्राफिक्स शोधकर्ता हूं। मैं आदमी और जानवर के आंदोलनों को समझने, प्रतिनिधित्व करने और अनुकरण करने के नए तरीकों की खोज कर रहा हूं।

80 के दशक के मध्य से भौतिकी और कंप्यूटर ग्राफिक्स के क्षेत्र में भौतिकी पर आधारित द्विपाद पात्रों के आंदोलनों का अनुकरण एक प्रसिद्ध समस्या रही है। 90 के दशक में, ज्यादातर बाइप्ड नियंत्रक एक सरलीकृत गतिशील मॉडल (उदाहरण के लिए, एक उल्टे पेंडुलम पर) आधारित थे, जो एक संतुलन रणनीति का उपयोग करने की अनुमति देता है, जिसे एक बंद-रूप समीकरण में प्राप्त किया जा सकता है। 2007 से, नियंत्रकों ने प्रकट किया है कि इस क्षेत्र में तेजी से प्रगति हासिल करने के लिए पूर्ण-शरीर की गतिशीलता का उपयोग करें। यह उल्लेखनीय है कि इष्टतम नियंत्रण और स्टोकेस्टिक अनुकूलन विधियों का सिद्धांत, जैसे कि सीएमएस-ईएस, नकली बीप्ड के संतुलन को बनाए रखने के लिए मुख्य उपकरण थे।

धीरे-धीरे, शोधकर्ताओं ने मानव शरीर के अधिक विस्तृत मॉडल बनाए। 1990 में, उल्टे पेंडुलम मॉडल में पांच डिग्री से कम की स्वतंत्रता थी। 2007 में, डायनामिक मॉडल एक 2 डी आंकड़ा था जो जोड़ों में इंजन द्वारा स्वतंत्रता की दर्जनों डिग्री के साथ संचालित किया गया था। 2009-2010 में, पूर्ण 3 डी मॉडल 100 डिग्री की स्वतंत्रता के साथ दिखाई दिए।

2012-2014 में, बायोमेकेनिकल मॉडल के लिए नियंत्रकों ने पेश किया, मांसपेशियों द्वारा संचालित। नियंत्रक उन्हें उत्तेजित करने के लिए प्रत्येक पल में प्रत्येक व्यक्ति की मांसपेशियों को संकेत भेजता है। मांसपेशियों का संकुचन संलग्न हड्डियों को खींचता है और उन्हें गति में सेट करता है। हमारे काम में, हमने मॉडल को स्थानांतरित करने के लिए 326 मांसपेशियों का उपयोग किया, जिसमें कुछ छोटे लोगों के अपवाद के साथ, हमारे शरीर की सभी मुख्य मांसपेशियां शामिल हैं।

एक द्विपाद चरित्र के आंदोलन को नियंत्रित करने में कठिनाई

2007 से एक गतिशील प्रणाली की स्वतंत्रता की संख्या तेजी से बढ़ रही है। नियंत्रक के डिजाइन के लिए पिछले दृष्टिकोण "आयामीता के अभिशाप" से पीड़ित थे - जब आवश्यक कंप्यूटिंग संसाधन (समय और मेमोरी) स्वतंत्रता की डिग्री की संख्या में तेजी से वृद्धि होती है।

हमने मस्कुलोस्केलेटल सिस्टम के मॉडल की जटिलता और द्विपाद प्राणियों के नियंत्रण की मापनीयता से जुड़ी समस्याओं को हल करने के लिए डीप रेनफोर्समेंट लर्निंग का उपयोग किया। नेटवर्क कुशलतापूर्वक बहुआयामी प्रबंधन नीतियों (एक ऐसा कार्य जो मानचित्र पर क्रियाओं के लिए राज्यों) का प्रतिनिधित्व और भंडारण कर सकता है और अदृश्य राज्यों और कार्यों का पता लगा सकता है।

नया तरीका

मुख्य सुधार यह है कि हम पूरे शरीर की मांसपेशियों की सक्रियता से कैसे निपटते हैं। हमने एक पदानुक्रमित नेटवर्क बनाया है, जो ऊपरी परतों में कम फ्रेम दर (30 हर्ट्ज) पर जोड़ों की गति को अनुकरण करना सीखता है, और निचली परतों में यह उच्च आवृत्तियों (1500 हर्ट्ज) पर मांसपेशियों को उत्तेजित करना सीखता है।

मांसपेशियों के संकुचन की गतिशीलता को कंकाल अनुकरण की तुलना में अधिक सटीकता की आवश्यकता होती है। हमारी श्रेणीबद्ध संरचना आवश्यकताओं में अंतर को समाप्त करती है।

हमने क्या हासिल किया है

यह देखना अच्छा है कि हमारा एल्गोरिथ्म मानव आंदोलनों की एक विस्तृत श्रृंखला पर कैसे काम करता है। हम अभी भी नहीं जानते कि यह वास्तव में कितना व्यापक है और सीमाओं को समझने की कोशिश कर रहे हैं। अब तक हम कंप्यूटिंग संसाधनों की सीमा के कारण उन तक नहीं पहुंचे हैं।

हर बार जब हम अधिक संसाधन (मुख्य रूप से प्रोसेसर कोर) निवेश करते हैं तो नया दृष्टिकोण बेहतर परिणाम देता है। अच्छी बात यह है कि डीप रिनफोर्स लर्निंग को केवल प्रशिक्षण स्तर पर कम्प्यूटेशनल लागत की आवश्यकता होती है। एक बार बहुआयामी प्रबंधन नीति का पता लगाने के बाद, सिमुलेशन और प्रबंधन तेज हैं। मस्कुलोस्केलेटल सिस्टम का अनुकरण जल्द ही वास्तविक समय में इंटरैक्टिव अनुप्रयोगों में काम करेगा। उदाहरण के लिए, खेल में।

हम हिल मांसपेशी मॉडल का उपयोग करते हैं, जो कि बायोमैकेनिक्स में वास्तविक मानक है। हमारा एल्गोरिथ्म बहुत लचीला है, इसलिए मांसपेशियों के संकुचन के किसी भी गतिशील मॉडल को इसमें शामिल किया जा सकता है। उच्च-सटीक मांसपेशी मॉडल का उपयोग करने से आपको विभिन्न स्थितियों में मानव आंदोलनों को उत्पन्न करने की अनुमति मिलती है, जिसमें पैथोलॉजी, कृत्रिम अंग और इसी तरह शामिल हैं।


रेक्टस फेमोरिस मांसपेशी। 3 डी सतह जाल (बाएं)। वेपाइंट्स (केंद्र) के साथ अनुमान। घुटने (दाएं) झुकते समय अनुमानित एलबीएस वेपाइंट्स का समन्वय करता है।

डीप रिनफोर्समेंट लर्निंग (डीआरएल) का उपयोग करना

हम दीपमिन्द के आंदोलन अनुसंधान के साथ एक ही मौलिक विचार साझा करते हैं, जो एक छड़ी और मोटर मॉडल पर आधारित है। हैरानी की बात है कि मानक डीआरएल एल्गोरिथ्म छड़ी-और-मोटर मॉडल के साथ अच्छी तरह से काम करता है, लेकिन यह मांसपेशियों से संचालित बायोमेकेनिकल मॉडल के साथ बहुत अच्छी तरह से काम नहीं करता है।

अंतिम न्यूरलपीएस 2018 प्रदर्शनी में, प्रोस्थेटिक्स के लिए एक एआई चुनौती थी। प्रतिस्पर्धी मॉडल में केवल 20+ मांसपेशियां होती हैं, लेकिन विजेता के लिए भी, परिणाम सबसे अच्छा नहीं दिखता है।



यह उदाहरण मांसपेशियों से संचालित मॉडल सीखने की कठिनाई को दर्शाता है। हमारा पदानुक्रमित मॉडल एक सफलता बनाता है और हमें बड़ी संख्या में मांसपेशियों वाले व्यक्ति के बायोमैकेनिकल मॉडल को डीआरएल लागू करने की अनुमति देता है।

पीडीएफ में परियोजना।
गिथब पर परियोजना।

विषय का पता लगाया: जेही ली, सेउंगवान ली, क्यूंगमिन ली और मूनसेक पार्क।