Моделирование движений человека: методы и актуальные задачи
| Jazyk: | ruština |
|---|---|
| Rok vydání: | 2021 |
| Předmět: | |
| DOI: | 10.25728/ubs.2021.028 |
| Popis: | Рассмотрена задача моделирования локомоции человека, т.е. ходьбы, бега и других движений. Рассматриваются основные подходы и приложения. Управление движениями в нервной системе человека – это сложный и пока не полностью изученный процесс. При этом модели локомоции находят множество приложений в робототехнике и медицине, например, при разработке бионических протезов или экзоскелетов, диагностике заболеваний. В настоящее время существуют достаточно точные имитационные модели опорно-двигательного аппарата, т.е. скелета и мышц. Но для того чтобы с помощью такой модели воспроизвести движения человека, необходимо также воспроизвести процесс управления, реализованный нервной системой. Однако управление детальными скелетно-мышечными моделями – это очень сложная задача в силу большого количества степеней свободы и неоднозначности возможных управляющих воздействий. Мы рассмотрим управление на основе обучения с подкреплением и классических регуляторов. В целом методы создания точных моделей локомоции и настройки их параметров пока что недостаточно развиты для массового практического применения. Альтернативный подход состоит в аппроксимации наблюдаемой динамики походки универсальными статистическими моделями, такими как марковские цепи. В докладе также описано несколько приложений: прогнозирование состояния бионического протеза и диагностика двигательных патологий. We consider the problem of modeling human locomotion i.e., walking, running and other movements. The main approaches and applications are considered. Movement control in the human nervous system is a complex and not yet fully understood process. At the same time, models of locomotion find many applications in robotics and medicine. The examples are development of bionic prostheses or exoskeletons, diagnostics of diseases. Currently, there are quite accurate simulation models of the musculoskeletal system, that is the skeleton and muscles. But in order to reproduce human movements by such a model, it is also necessary to reproduce the control process implemented by the nervous system. However, the control of detailed skeletal-muscular models is a challenging task due to the large number of degrees of freedom and the ambiguity of possible control actions. We will consider control based on reinforcement learning classical methods. In general, the methods of creating accurate locomotion models and tuning their parameters are not yet sufficiently developed for large-scale practical application. An alternative approach is to approximate the observed gait dynamics by universal statistical models, such as Markov chains. The paper also describes several applications: predicting the state of a bionic prosthesis and diagnosing motor pathologies. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|