Design Optimization of Musculoskeletal Humanoids with Maximization of Redundancy to Compensate for Muscle Rupture
The University of Tokyo(东京大学);TOYOTA MOTOR CORPORATION(丰田汽车公司)
针对肌肉骨骼人形机器人单肌断裂后的运动维持问题,提出以断裂时最小可用力矩最大化为目标优化肌肉布置,并在 Musashi 肘部仿真与实机中验证有效性。
2025-02-18 cs.RO
Motion Tracking with Muscles: Predictive Control of a Parametric Musculoskeletal Canine Model
DeepMind(深Mind);Royal Veterinary College(皇家兽医学院)
提出一种由精确3D肌肉网格程序化生成的犬类肌肉骨骼模型,结合改进的肌肉动力学模型和运动捕捉任务,通过比较模拟肌肉激活模式与实验EMG数据验证,旨在弥合生物力学、机器人和计算神经科学之间的差距。
2026-05-29 cs.RO
Modification of muscle antagonistic relations and hand trajectory on the dynamic motion of Musculoskeletal Humanoid
The University of Tokyo(东京大学)
针对肌肉骨骼人形机器人存在的身体结构转换不可测、运动测量困难等挑战,提出张力传感获取肌肉拮抗关系、视觉传感获取手部轨迹的两种方法,并利用这些方法实现了Kengoro的羽毛球击球运动。
2024-12-01 cs.RO
Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale
EPFL(瑞士联邦理工学院洛桑分校);McGill University(麦吉尔大学);Feil & Oberfeld CRIR-Jewish Rehabilitation Hospital Research Center(Feil & Oberfeld CRIR-犹太康复医院研究中心);NVIDIA(英伟达)
MuscleMimic通过生理真实的人形机器人模型,实现了大规模全身体质运动学习,结合并行GPU模拟,提升了训练效率,验证了运动再现的准确性。
2026-03-26 cs.RO
Online Self-body Image Acquisition Considering Changes in Muscle Routes Caused by Softness of Body Tissue for Tendon-driven Musculoskeletal Humanoids
The University of Tokyo(东京大学)
针对肌腱驱动肌骨人形机器人因几何模型偏差及软组织造成肌肉路径变化而难以控制的问题,提出用神经网络构建并在线更新理想关节—肌肉模型与肌肉路径变化模型,使 Kengoro 获得正确自体图像。
2024-04-08 cs.RO
Characteristics, Management, and Utilization of Muscles in Musculoskeletal Humanoids: Empirical Study on Kengoro and Musashi
Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo(机械信息学系,信息科学与技术研究生院,东京大学)
本研究通过分析Kengoro和Musashi的肌骨骼结构,探讨了肌肉的特性、管理和利用方法,提出了五种属性分类,并讨论了未来挑战。
2026-02-09 cs.RO
A Method of Joint Angle Estimation Using Only Relative Changes in Muscle Lengths for Tendon-driven Humanoids with Complex Musculoskeletal Structures
The University of Tokyo(东京大学)
针对线驱动肌骨拟人机器人因结构复杂无法直接测量关节角度的问题,提出一种仅利用肌肉长度相对变化进行关节角度估计的方法,避免了困难的肌肉长度校准,并通过仿真与实际实验验证了其有效性。
2024-04-22 cs.RO
Motion Modification Method of Musculoskeletal Humanoids by Human Teaching Using Muscle-Based Compensation Control
The University of Tokyo(东京大学)
针对肌肉骨骼人形机器人难以精确控制的问题,本文提出一种基于肌肉补偿控制的方法,利用外力修正运动,并在Musashi机器人上验证了有效性。
2024-11-10 cs.RO
Component Modularized Design of Musculoskeletal Humanoid Platform Musashi to Investigate Learning Control Systems
The University of Tokyo(东京大学)
本研究为探索学习控制系统,采用组件模块化思路开发了肌骨人形平台Musashi,通过关节、肌肉等模块构建可重构柔性结构,并经实验验证了平台概念的有效性。
2024-10-29 cs.RO
Evolving the Complete Muscle: Efficient Morphology-Control Co-design for Musculoskeletal Locomotion
Naval University of Engineering(海军工程大学);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);Department of Mechanical Engineering, Tsinghua University(清华大学机械工程系)
本文提出一种高效协同设计方法,通过进化完整肌骨形态空间,同时优化肌肉强度、速度和刚度,提升复杂任务中的运动稳定性与学习效率。
2026-04-14 cs.RO
Muscle Activation Estimation by Optimizing the Musculoskeletal Model for Personalized Strength and Conditioning Training
The Chinese University of Hong Kong(香港中文大学);The University of Hong Kong(香港大学)
针对肌肉骨骼参数个体差异、系统冗余导致的肌肉激活估计难题,本研究构建面向力量训练的全身肌肉骨骼模型,用基于肌电图的优化方法校准参数,通过卧推、硬拉实验验证了该方法估计肌肉激活的有效性。
2025-02-20 cs.RO physics.med-ph
Automatic Grouping of Redundant Sensors and Actuators Using Functional and Spatial Connections: Application to Muscle Grouping for Musculoskeletal Humanoids
The University of Tokyo(东京大学)
本文提出一种基于图结构嵌入功能与空间连接的自动分组方法,用于将肌肉骨骼人形机器人的冗余肌肉自动划分为前臂、上臂等区域,无需几何模型即可实现分组。
2024-09-01 cs.RO
Online Learning of Joint-Muscle Mapping Using Vision in Tendon-driven Musculoskeletal Humanoids
The University of Tokyo(东京大学)
提出利用视觉与肌肉拮抗两种在线更新器学习神经网络 JMM,使 Kengoro 在 5 分钟内将关节角误差降至约 40%,并适应状态变化。
2024-04-08 cs.RO
Musculoskeletal AutoEncoder: A Unified Online Acquisition Method of Intersensory Networks for State Estimation, Control, and Simulation of Musculoskeletal Humanoids
The University of Tokyo(东京大学);TOYOTA MOTOR CORPORATION(丰田汽车公司)
本研究提出肌肉骨骼自编码器,统一解决肌肉骨骼人形机器人状态估计、控制与仿真问题,通过在线更新实现更高精度,并在机器人 Musashi 上验证了有效性。
2024-06-24 cs.RO
Exceeding the Maximum Speed Limit of the Joint Angle for the Redundant Tendon-driven Structures of Musculoskeletal Humanoids
The University of Tokyo(东京大学);TOYOTA MOTOR CORPORATION(丰田汽车公司)
针对肌肉骨骼仿人机器人因冗余肌肉中最慢肌肉而限制最大关节角速度的问题,本文提出两种突破速度限制的方法,并通过实际机器人实验验证有效性。
2025-02-18 cs.RO
Design of a Biomimetic Joint-Covering Skin with Tissue-Like Structure to Enhance Proprioception in a Musculoskeletal Humanoid
The University of Tokyo(东京大学)
本研究设计了一种类组织分层结构的仿生关节覆盖皮肤,应用于Musashi-W人形机器人,可独立实现关节角估计(平均误差约3度),与肌肉传感集成后精度提升,为扩展本体感觉系统提供了有效方案。
2026-08-28 cs.RO
Long-time Self-body Image Acquisition and its Application to the Control of Musculoskeletal Structures
The University of Tokyo(东京大学)
针对肌肉骨骼仿生人结构复杂、传统模型控制难以实现预期动作的问题,提出长时间学习获取关节角度、肌肉张力与长度关系的自身体图像系统,并通过3小时实验验证其可支持位置、力矩和变刚度控制。
2024-04-08 cs.RO
PIMBS: Efficient Body Schema Learning for Musculoskeletal Humanoids with Physics-Informed Neural Networks
Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo(机械信息学系,信息科学与技术研究生院,东京大学)
本文提出PIMBS方法,将物理信息神经网络引入肌肉骨骼人形机器人的身体图式学习,结合真实数据与力矩-肌肉张力物理定律,在少量数据下实现关节角度、肌肉张力和肌肉长度关系的高精度学习。
2025-07-05 cs.RO
Diffusion-Based Body Schema Learning Enabling Abnormal-State Adaptation in Musculoskeletal Robots
The University of Tokyo(东京大学);Kyushu Institute of Technology(九州工业大学)
本研究针对肌肉骨骼机器人传统身体模式学习方法难以处理异常状态的问题,提出基于扩散模型的身体模式学习框架,通过仿真实验验证了其异常状态下自适应估计肌肉参数的有效性。
2026-08-04 cs.RO
Construction of Musculoskeletal Simulation for Shoulder Complex with Ligaments and Its Validation via Model Predictive Control
The University of Tokyo(东京大学)
针对现有肌肉骨骼仿真缺少韧带且未覆盖复杂肩关节复合体的问题,本研究构建了含韧带、模拟骨骼肌肉排布与肌力的肩关节复合体仿真,经模型预测控制验证了韧带的关节稳定作用与肌力分配的负荷均衡效果。
2024-10-08 cs.RO
Development of Musculoskeletal Legs with Planar Interskeletal Structures to Realize Human Comparable Moving Function
The University of Tokyo(东京大学)
针对肌肉骨骼人形机器人因姿态变化导致肌肉力臂不足的问题,本文提出平面骨骼间结构并开发MusashiOLegs腿部,通过实验验证其对实现稳定类人运动的重要性。
2024-04-01 cs.RO
Towards Real-World Identification of Fatigued Muscle Groups via Musculoskeletal Simulation
Human-Centered Robotics Lab at IIT Gandhinagar(IIT甘地纳加尔人类中心机器人实验室);IIT Gandhinagar(IIT甘地纳加尔)
提出一种通过比较真实自由空间运动与仿真肌肉骨骼模型来无接触识别上肢疲劳肌肉群的算法,实验证明能可靠区分多个疲劳肌肉群,并展示了如何配置先进仿真器以缩小仿真到现实的差距。
2026-05-23 cs.RO physics.med-ph
Diff-MSM: Differentiable MusculoSkeletal Model for Simultaneous Identification of Human Muscle and Bone Parameters
SDU Robotics, The Maersk Mc-Kinney Moller Institute, University of Southern Denmark(SDU机器人研究所、马士基麦金尼莫勒研究所、南方丹麦大学)
本文提出可微分肌肉骨骼模型Diff-MSM,利用端到端自动微分从可测肌肉激活同时识别人体肌肉与骨骼参数,无需测量内部关节力矩,并在仿真中显著超越现有方法。
2025-08-18 cs.AI cs.RO
Online Learning of Danger Avoidance for Complex Structures of Musculoskeletal Humanoids and Its Applications
The University of Tokyo(东京大学);TOYOTA MOTOR CORPORATION(丰田汽车公司)
针对肌肉骨骼人形机器人建模难、易发生干扰和高肌肉力的问题,提出在线学习肌肉长度对应危险概率的网络,用于预防危险,并在Musashi上验证有效。
2025-02-22 cs.RO
Natural Multicontact Walking for Robotic Assistive Devices via Musculoskeletal Models and Hybrid Zero Dynamics
California Institute of Technology(加州理工学院)
在机器人辅助设备上执行时,生成产生自然运动的稳定行走步态是一项具有挑战性的任务,通常需要领域专家进行手动调整。本文提出了一种替代方法,我们建议直接添加到步态生成过程中的肌肉骨骼模型,直观地塑造所产生的行为。特别是,我们构建了一个多域的混合系统模型,结合系统动力学与肌肉模型来表示自然的多接触行走。可证明稳定的步行步态,然后可以通过该模型的混合零动态(HZD)方法产生。我们实验应用我们的综合框架实现多接触运动的双驱动经股动脉假体,AMPRO 3,两个科目。结果表明,强制执行肌肉模型约束产生步态,产生自然的运动(通过比较运动捕捉数据和肌电图分析)。此外,与我们的框架产生的步态强烈首选的非残疾假肢用户相比,步态产生的名义HZD方法,即使使用系统的调整方法。我们的结论是,机器人步行方法(特别是HZD)与肌肉模型相结合的新方法成功地产生拟人机器人辅助运动。
2022-03-14 cs.RO
Design of EMG-driven Musculoskeletal Model for Volitional Control of a Robotic Ankle Prosthesis
North Carolina State University(北卡罗来纳州立大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
现有的机器人下肢假肢使用自主控制来解决周期性的运动任务,但它们不足以操作假肢进行非周期性和不可预测的日常活动。为了解决这一挑战,本研究的目的是设计一种新的肌电图(EMG)驱动的肌肉骨骼模型的机器人踝足假肢的意志控制。该控制器使用户能够连续控制设备,允许他们随意自由地操纵假体行为。Hill型肌肉模型用于模拟背屈肌和跖屈肌,其在虚拟踝关节周围起作用。通过将模型预测拟合到从健全受试者收集的实验数据来确定模型参数。从踝关节激动肌和拮抗肌对记录的肌电信号被用于激活虚拟肌肉模型。该模型通过离线仿真和实时假体控制进行了验证。此外,所提出的假肢控制的可行性,以协助用户的功能任务进行了论证。本控制可以进一步改善机器人假体的功能,用于支持下肢截肢个体的多功能活动。
2022-02-17 cs.RO
Local Online Motor Babbling: Learning Motor Abundance of A Musculoskeletal Robot Arm
TU Darmstadt(达姆施塔特工业大学);Osaka University(大阪大学)
运动牙牙学语和目标牙学语已被用于软机器人高度冗余系统的感觉运动学习。最近在球门牙牙学语方面的工作已经证明了在此类系统上成功学习逆运动学(IK),并表明球门空间中的牙学语通过学习尽可能少的感觉运动映射来更好地解决运动冗余。然而,对于肌肉骨骼机器人系统,运动冗余可以是解释肌肉激活模式的有用信息,因此术语运动丰度。在这项工作中,我们引入了一些简单的算法来经验性地定义未知的目标空间,并学习逆运动学的10自由度的肌肉骨骼机器人手臂使用定向目标babbling。然后,我们进一步提出了本地在线电机咿呀学语使用协方差矩阵自适应演化策略(CMA-ES),引导在目标咿呀学语中收集的样本进行初始化,以便电机丰度可以查询定义的目标空间内的任何静态目标。结果表明,我们的运动咿呀学语方法可以有效地探索运动丰富度,并提供了有用的见解方面的肌肉刚度和协同作用。
2019-06-21 cs.RO
Antagonist Inhibition Control in Redundant Tendon-driven Structures Based on Human Reciprocal Innervation for Wide Range Limb Motion of Musculoskeletal Humanoids
The University of Tokyo(东京大学)
针对腱驱动肌肉骨骼人形机器人几何模型误差导致肌肉张力异常的问题,本文基于人类交互神经支配提出拮抗抑制控制(AIC),并在Kengoro上肢上验证,实现14分钟悬垂和引体向上。
2024-09-01 cs.RO
OstrichRL: A Musculoskeletal Ostrich Simulation to Study Bio-mechanical Locomotion
Royal Veterinary College(皇家兽医学院);DeepMind(深度思维);University of California, Irvine(加州大学欧文分校);Imperial College London(帝国理工学院)
肌肉驱动控制是一个跨越多个领域的研究课题,包括生物力学,神经科学,强化学习,机器人和图形学。这种类型的控制是特别具有挑战性的机构往往是过度驱动和动态延迟和非线性。然而,它是一种经过良好测试和调整的致动机构,已经经历了数百万年的演变,具有利用肌肉肌腱单元的被动力和有效能量存储的有趣特性。为了促进肌肉驱动仿真的研究,我们发布了一个基于MuJoCo物理引擎的鸵鸟3D肌肉骨骼仿真。鸵鸟是地球上最快的两足动物之一,因此是研究肌肉驱动的两足运动的绝佳模型。该模型基于CT扫描和解剖,用于收集实际的肌肉数据,如插入部位,长度和pennation角。除了这个模型,我们还提供了一组强化学习任务,包括参考运动跟踪、跑步和颈部控制,用于推断肌肉驱动模式。参考运动数据是基于我们预处理和适应我们的模型的各种行为的运动捕捉剪辑。本文描述了如何使用任务构建和迭代改进模型。我们还评估了肌肉驱动模式的准确性,通过比较它们从鸟类的实验收集的肌电图数据。结果表明,需要丰富的奖励信号或正则化技术来约束肌肉兴奋并产生逼真的运动。总的来说,我们相信这项工作可以在对肌肉驱动感兴趣的研究领域之间提供有用的桥梁。
2022-05-24 cs.LG cs.RO
Muscle Synergy Priors Enhance Biomechanical Fidelity in Predictive Musculoskeletal Locomotion Simulation
Department of Mechanical Engineering(机械工程系);Carnegie Mellon University(卡内基梅隆大学);Department of Physical Education(体育系);Seoul National University(首尔国立大学);Lampe Joint Department of Biomedical Engineering(生物医学工程联合部门);UNC-Chapel Hill and NC State University(北卡罗来纳大学教堂山分校和北卡罗来纳州立大学)
提出一种生理学启发的强化学习框架,通过肌肉协同约束控制,在有限实验数据下提高了预测性人体运动模拟的生物力学保真度和泛化能力。
2026-05-28 cs.LG cs.NE cs.RO
Reinforcement Learning of Musculoskeletal Control from Functional Simulations
ETH Zurich(苏黎世联邦理工学院)
为了诊断、计划和治疗肌肉骨骼疾病,理解和再现复杂运动的肌肉招募是必不可少的。由于运动的肌肉激活通常是高度冗余、非线性和时间依赖的,机器学习可以为特定于解剖结构的肌肉骨骼模拟提供建模和控制的解决方案。复杂的生物力学模拟通常需要专门的计算环境,数值复杂且缓慢,阻碍了它们与典型的深度学习框架的集成。在这项工作中,基于深度强化学习(DRL)的逆动力学控制器被训练来控制人体肩部生物力学模型的肌肉激活。在可推广的端到端方式中,肌肉激活是在给定当前和期望的位置-速度对的情况下学习的。引入了用于轨迹控制的定制奖励函数,从而能够直接扩展到额外的肌肉和更高的自由度。使用生物力学模型,使用正在训练的DRL的进化神经模型同时在集群上模拟多个事件。结果提出了一个单轴运动控制肩外展的任务,随机生成的角轨迹。
2020-07-13 cs.LG cs.RO cs.SY
MSK-Bench: Benchmarking Full-Body Musculoskeletal Motor Control Across Tasks, Control Paradigms, and Physiological Metrics
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院);The University of Hong Kong (HKU)(香港大学);Institute for Interdisciplinary Information Sciences (IIIS), Tsinghua University(清华大学交叉信息研究院);School of Aerospace Engineering, Tsinghua University(清华大学航天航空学院);Peking University (PKU)(北京大学)
MSK-Bench提出包含22个全身肌肉骨骼运动任务的基准,评估5种控制范式,并联合考量任务成功、鲁棒性与生理指标,为肌肉驱动人形机器人控制提供标准化测试平台。
2026-09-24 cs.RO
Self-Body Image Acquisition and Posture Generation with Redundancy using Musculoskeletal Humanoid Shoulder Complex for Object Manipulation
The University of Tokyo(东京大学)
提出一种利用肩复合体冗余的逆运动学方法学习肌骨人形机器人自身体像,以实现姿态生成和物体操作,并在Kengoro机器人上验证了汽车方向盘操作的有效性。
2024-11-10 cs.RO
CubiXMusashi: Fusion of Wire-Driven CubiX and Musculoskeletal Humanoid Musashi toward Unlimited Performance
The University of Tokyo(东京大学)
本文将肌肉骨骼人形机器人Musashi与线驱动机器人CubiX融合为CubiXMusashi,通过线缆连接环境并驱动,成功实现引体向上、躺姿起身和空中踢腿等原本难以完成的运动,展示了人形机器人借助环境连接突破自身物理限制的新途径。
2024-10-31 cs.RO
Replicating Human Anatomy with Vision Controlled Jetting -- A Pneumatic Musculoskeletal Hand and Forearm
Soft Robotics Lab, IRIS, D-MAVT, ETH Zurich(瑞士苏黎世联邦理工学院软机器人实验室);Inkbit(Inkbit公司);CSAIL, MIT(麻省理工学院计算机科学与人工智能实验室)
本研究通过3D打印仿生手与前臂,并用22个低成本、高应变的气动人工肌肉替代电机驱动,实现了类人灵巧抓取,为复现人体运动学结构提供了新方案。
2025-11-04 cs.RO
Musculoskeletal simulation of limb movement biomechanics in Drosophila melanogaster
EPFL(瑞士联邦理工学院);University of Bonn(波恩大学)
研究构建了首个黑腹果蝇腿部的3D数据驱动肌骨模型,结合高分辨率X射线扫描与Hill型肌肉表征,在OpenSim和MuJoCo中实现行为重演与模仿学习,揭示了肌肉协同作用及关节属性对学习的影响,为运动控制研究提供了关键工具。
2025-09-11 cs.AI cs.LG cs.RO
Bipedal Balance Control with Whole-body Musculoskeletal Standing and Falling Simulations
Tsinghua University(清华大学)
本研究提出分层控制流程,利用全身肌肉骨骼模拟揭示站立平衡动态、肌肉损伤影响及跌倒模式,并验证髋部外骨骼辅助改善平衡,为平衡干预和人形机器人提供基础。
2025-09-08 cs.AI cs.RO cs.SY
Online Learning Feedback Control Considering Hysteresis for Musculoskeletal Structures
The University of Tokyo(东京大学)
针对肌肉骨骼仿生人关节角度跟踪滞后及闭链结构导致的反馈控制难题,提出在线学习神经网络更新目标肌肉长度的方法,并在 Musashi 上验证其有效性。
2024-05-20 cs.RO
MyoSuite -- A contact-rich simulation suite for musculoskeletal motor control
Meta AI Research(Meta人工智能研究院);University of Twente(特文特大学)
在连续控制域中的智能体对允许探索肌肉骨骼特性的任务的接触有限,这些特性使生物体具有敏捷和灵活的行为。神经肌肉骨骼控制背后的复杂性可能会给运动学习社区带来新的挑战。与此同时,解决复杂神经控制问题的智能体可以在神经康复和协作机器人等领域产生影响。人体生物力学是复杂的多关节多驱动器肌肉骨骼系统的基础。感觉运动系统依赖于一系列丰富的感觉接触和本体感受输入,这些输入定义和调节在物理世界中表现出智能行为所需的肌肉致动。目前的肌肉骨骼控制框架不支持肌肉骨骼系统的生理复杂性以及物理世界的相互作用能力。此外,它们既不是嵌入在复杂和熟练的运动任务中,也不是计算有效的和可扩展的,以研究大规模的学习范式。在这里,我们介绍了MyoSuite -一套生理上精确的生物力学模型,包括肘部、手腕和手,具有物理接触能力,可以学习复杂而熟练的接触丰富的现实世界任务。我们提供各种电机控制挑战:从简单的姿势控制到熟练的手-物交互,例如转动钥匙,旋转笔,一只手旋转两个球等。(肌腱转移),辅助装置(外骨骼辅助)和肌肉收缩动力学(肌肉疲劳,肌肉减少症),我们提出了现实生活中的任务与时间的变化,从而暴露现实的非稳态条件下,在我们的任务,大多数连续控制基准缺乏。
2022-05-26 cs.AI cs.LG cs.RO
Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation from Partially Observed sEMG
University of Manchester(曼彻斯特大学);Southern University of Science and Technology(南方科技大学)
提出一种肌肉骨骼神经网络(MSK-NN),结合CNN和肌肉骨骼前向动力学模块,在部分观测表面肌电信号下估计多自由度关节角度,并通过复合损失函数实现生理合理激活推断。
2026-06-05 cs.RO cs.SY eess.SP
DEP-RL: Embodied Exploration for Reinforcement Learning in Overactuated and Musculoskeletal Systems
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Hertie-Institute for Clinical Brain Research(赫蒂临床脑研究所);Institute for Modelling and Simulation of Biomechanical Systems(生物力学系统建模与仿真研究所)
针对过驱动肌肉骨骼系统强化学习探索效率低的问题,该研究将自组织领域的DEP方法集成到RL中,实现了伸手与运动任务的快速学习,在样本效率和鲁棒性上均优于现有方法。
2023-04-27 cs.LG cs.RO
TERRA: Terrain-Aware Reconstruction, Retargeting and Control for Musculoskeletal Locomotion
EPFL(洛桑联邦理工学院)
提出TERRA,一种从运动学轨迹恢复地形几何并重定向至肌肉骨骼模型的端到端流水线,结合地形先验与解剖约束,训练单一控制策略,在多样非平坦地形上实现高完成率肌肉驱动运动。
2026-10-01 cs.AI cs.LG cs.RO
Hardware Design and Learning-Based Software Architecture of Musculoskeletal Wheeled Robot Musashi-W for Real-World Applications
The University of Tokyo(东京大学)
本文提出肌肉骨骼轮式机器人Musashi-W,结合轮式底座与柔性上肢,通过身体图式学习、反射控制和视觉识别软件系统,实现清洁、搬重物及变刚度布料操作等实际任务。
2024-03-18 cs.RO
Robustness study of the bio-inspired musculoskeletal arm robot based on the data-driven iterative learning algorithm
School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China(上海交通大学机械工程学院);School of Mechanical Engineering, University of Science and Technology Beijing, Beijing 100083, China(北京科技大学机械工程学院)
本文提出一种七自由度轻量级肌腱驱动肌肉骨骼臂LTDM-Arm,结合Hilly型肌肉模型与数据驱动迭代学习控制,在仿真和实验中验证了其在负载扰动下的轨迹跟踪鲁棒性。
2025-11-08 cs.RO
Lambda-Hold Control: Human-Like Movement Emerges from a Minimal Task Reward in Predictive Musculoskeletal Simulation
Institute of Sport Science, Seoul National University(首尔国立大学体育科学研究所);SNU Robotics Institute, Seoul National University(首尔国立大学SNU机器人研究所);Department of Physical Education, Seoul National University(首尔国立大学体育学院)
该研究提出基于EP假说的λ-保持控制器,整合相关控制方法,首次实现肌肉驱动骨骼模型用最小奖励在1小时内学习类人短跑运动,助力开发可学习的人类运动控制器模型。
2026-10-14 cs.GR cs.LG cs.RO
Decoupling Torque and Stiffness: A Unified Modeling and Control Framework for Antagonistic Artificial Muscles
Soft Robotics Lab, IRIS, D-MAVT, ETH Zurich, Switzerland(瑞士苏黎世联邦理工学院D-MAVT系IRIS软体机器人实验室)
本文提出了一种统一的实时框架,用于处理不同类型的人工肌肉,通过分离的Padé力模型、级联逆动力学控制器和生物启发的深度自适应交互策略,实现独立的扭矩和刚度控制。
2026-04-04 cs.RO
Dynamic Muscle Fatigue Evaluation in Virtual Working Environment
Institut de Recherche en Communications et en Cybernétique de Nantes(南特通信与控制研究所);École Centrale de Nantes(南特中央理工学院);Tsinghua University(清华大学)
肌肉骨骼疾病(MSD)是机械作业特别是手工操作作业中的主要健康问题之一。肌肉疲劳被认为是导致MSD的主要原因。目前,已有多种姿态分析技术用于揭示作业的MSD风险,但大多数常规方法仅适用于静态姿态分析。同时,检查人员的主观影响也会导致风险评估结果的差异。另一个缺点是评估必须在车间进行,因此在现场环境中进行数据汇集之前不可能避免一些设计缺陷,并且这是耗时的。为了提高工效学MSD风险评估的效率,避免主观因素的影响,本文提出了一种新的肌肉疲劳模型和一种新的疲劳指数,用于评估人工搬运作业中人体肌肉的疲劳。新的疲劳模型与工作过程中的肌肉负荷密切相关,可以用来评价动态工作过程。该肌肉疲劳模型经过数学验证,并将进一步进行实验验证,并集成到虚拟工作环境中,以快速客观地评估肌肉疲劳并预测MSD风险。
2009-01-02 cs.RO
On-line feasible wrench polytope evaluation based on human musculoskeletal models: an iterative convex hull method
Inria(法国国家信息与自动化研究所);IMS (Univ. Bordeaux / Bordeaux INP / CNRS UMR 5218)(波尔多大学/波尔多综合理工学院/法国国家科学研究中心联合实验室IMS);University of Toulon(土伦大学)
许多最近的人机协作策略,如按需协助(AAN),正在促进以人为中心的机器人控制,其中机器人不断适应其援助水平的基础上,其人类同行的实时需要。这些方法的基本假设之一是能够实时测量或估计人类的身体能力。在这项工作中,我们提出了一个算法的可行性集分析的一类通用的线性代数问题。这种新的迭代凸壳方法适用于确定可行的笛卡尔扳手多面体与人体上肢的肌肉骨骼模型。该方法能够实时运行,并允许用户定义所需的估计精度。算法的性能分析表明,执行时间与所考虑的肌肉数有近似线性关系,而不是传统方法的指数关系。最后,实时机器人控制算法的应用程序中演示了协同搬运实验,其中一个人类操作员和一个弗兰卡Panda机器人共同携带一个7公斤的对象。机器人根据AAN范例进行控制,将人类操作员所携带的负载保持在其承载能力的30%。
2021-10-13 cs.RO
Real-Time Trajectory Optimization in Robot-Assisted Exercise and Rehabilitation
Cleveland State University(克利夫兰州立大学)
这项工作的重点是使用机器人作为先进的运动机器(AEM)和肌肉激活作为生物反馈的训练轨迹方向的优化。肌肉募集模式依赖于AEM的轨迹参数,并与运动效率相关。因此,可以通过优化这些参数来实现训练效率的提高。这些参数的最佳调节是具有挑战性的,因为人与人之间的生理动力学的复杂性,作为独特的物理特征,如肌肉骨骼分布的结果。此外,这些影响可能会因疲劳、体温和其他生理因素而变化。本文提出了一种利用寻优控制作为实时的【形】优化器的无模型优化方法。在选择肌肉目标之后,该方法使用肌肉激活作为生物反馈来寻求参数的最佳组合。肌肉目标可以由治疗师选择,以强调或不强调某些肌肉群。该方法的可行性已被证明为自动调整的椭球曲线的取向,建议存在两个局部最优取向。该方法也可以应用于使用不同生理效应的其他参数调节,例如氧消耗和心率作为生物反馈。
2021-04-22 cs.RO
Space Physiology and Technology: Musculoskeletal Adaptations, Countermeasures, and Opportunities for Wearable Systems
Imperial College London(伦敦帝国学院)
本文综述太空环境下肌肉骨骼适应及现有对抗措施的局限,提出可穿戴传感与机器人外骨骼系统,以实现个性化监测、动态加载和训练,并拓展至地面康复与助力应用。
2025-01-06 cs.RO
Arnold: A multi-task, multi-embodiment muscle transformer policy
本研究开发了基于 Transformer 的肌肉控制策略 Arnold,结合行为克隆与强化学习,实现多任务多 embodiment 控制,性能优于单任务策略,还揭示了肌肉协同作用的任务特异性等特性。
2026-08-06 cs.AI cs.LG cs.RO
A Sensorless, Inherently Compliant Anthropomorphic Musculoskeletal Hand Driven by Electrohydraulic Actuators
Soft Robotics Lab, ETH Zurich, Switzerland(苏黎世联邦理工学院软机器人实验室,瑞士);The University of Tokyo, Japan(东京大学,日本)
本文提出一种无传感器、本征柔顺的人形肌理手,利用电液执行器实现高运动灵活性与物理柔顺性,通过机械放大机构提升抓取能力,实验验证了其在复杂环境中的安全性和抓取性能。
2026-07-21 cs.RO
Reflex-Informed Neuromuscular Reinforcement Learning for Muscle-Driven Locomotion
University of Leeds(利兹大学)
提出反射感知神经肌肉强化学习框架,利用固定反射控制器与策略生成的残差参数调节关键反射,实现生理合理且鲁棒的肌肉驱动运动。
2026-09-11 cs.GR cs.LG cs.RO
Backstepping Control of Muscle Driven Systems with Redundancy Resolution
Cleveland State University(克利夫兰州立大学)
由于人机交互(HMI)的多种应用,该领域的研究已成为近年来最热门的领域之一。例如,先进的训练机器、康复机器人、机器人手术和假肢就是这种情况。为了确保理想的性能,建议在实时实验之前进行模拟。这些模拟在机器一侧的HMI中没有问题。然而,人类动态模型的控制器的缺乏表明存在的差距,为人类方面进行模拟。本文提出了一种新的方法,基于反馈控制器的肌肉驱动系统的动力学,以满足以前的差距。该方法已被开发用于具有冗余肌肉分辨率的系统的轨迹跟踪。为了说明该方法的有效性,使用了由八个连杆、八块肌肉和三个自由度组成的组驱动的肩部模型。控制器的目标是通过肌肉激活将手臂从一个静态位置移动到另一个位置。本文的结果显示了手臂运动,肌肉骨骼动力学和肌肉激活的成就。
2020-06-01 cs.RO cs.SY eess.SY