2022 Fiscal Year Annual Research Report
筋シナジーの発現に向けた筋骨格モデルにおけるモジュラリティの運動学習
Publicly Offered Research
| Project Area | Hyper-adaptability for overcoming body-brain dysfunction: Integrated empirical and system theoretical approaches |
|---|
| Project/Area Number |
22H04764
|
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
林部 充宏 東北大学, 工学研究科, 教授 (40338934)
|
|---|
| Project Period (FY) |
2022-04-01 – 2024-03-31
|
| Keywords | 運動学習 / 運動シナジー / 動的平衡 / 超適応 / 深層強化学習 |
|---|
| Outline of Annual Research Achievements |
同期現象は、多くの自然機械系に共通する現象である。人間や動物における関節の摩擦や減衰は、エネルギー散逸に関連している。エネルギー散逸系において、複数の関節トルクの発生を管理し、リミットサイクルを形成するために、従来は結合振動子モデルが用いられてきた。振動子モデルの選択にあたっては、結合項の設計や周波数・位相の設定が問題となる。未知のダイナミクスシステムに対して、振動子間の相対的な結合関係を事前に定義する必要があり、これは非常に困難な問題となる。我々は、未知のエネルギー散逸系において、結合振動子を用いずにリミットサイクルを誘導するシンプルな分散型ニューラル・インテグレータ法を発表した。その結果、異なる物理環境に適応する協調構造をもつ同期振動を生成できることを実証した。
また多くの研究により、ヒトは同じようなタスクの間で同じ運動シナジーのレパートリーを再利用していることが示唆されている。しかし、運動シナジーのレパートリーの組み合わせが、系統的に新しい目標に再利用可能かどうかはまだ数理的に確認されていない。本研究では、運動シナジーの組み合わせが、それぞれのレパートリーでは対応できない新しい目標に汎化できることを示す。例として多方向リーチング課題を用いる。まず、強化学習により対象を限定した複数の方策を学習し、運動シナジーの集合を抽出した。そして、運動シナジー集合の活性化パターンを最適化し、運動シナジーのレパートリーを組み合わせることで、元の方策や単一の運動シナジーレパートリーでは達成できない新たな目標に到達できることを実証した。本研究は、一般的なリーチング課題の現実的な力学環境である 7 自由度腕モデルを用い、新しい平面における新しい目標に対する運動シナジー汎化を成功させた最初の研究であると考える。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
一般的なリーチング課題の現実的な力学環境である 7 自由度腕モデルを用い、新しい平面における新しい目標に対する運動シナジー汎化を成功させることができた。筋骨格モデルの導入にまでは至っていないが、順調にシナジーの運動学習での役割の理解につながる研究成果を得ている。
|
| Strategy for Future Research Activity |
今後はモジュラリティの運動学習およびモデルベース深層強化学習の役割を調べる。そこで、中枢神経系をモデル化したニューラルネットワークと、実際に運動を行う筋骨格モデルから成る運動学習モデルを構築する。ニューラルネットワークはヒトの神経構造をモデル化した機械学習手法であり、ヒトの神経活動を説明する上では生理学的に親和性が高い。初年度では等尺性運動に関わる神経系をモデル化したニューラルネットワークを構築したが、今後は動的な運動タスクについても対応可能とするように学習を工夫し、その実現可能性を検証する。モジュール層を含むモデルとモジュール層を含まないモデルの２種類の運動学習モデルを用意し、両モデルに関節トルクを発揮させる運動学習を行わせ、学習精度・学習速度・汎化性能の観点で両モデルの学習パフォーマンスを比較する。またこれまで直接的な深層強化学習を採用してきたが、生物では環境のダイナミクス予測をまず獲得し、それに基づいて予測制御を行うことが知られている。通常の深層強化学習に比べてモデルベース深層強化学習は生物の学習制御プロセスに近いと考えられるため、モデルベース深層強化学習のロバスト性を調査することで予測モデルをニューラルネットワークで構成した学習機構による運動学習における汎化能力への寄与を定量的に明らかにする。
|
