A Synergy-Based Motor Control Framework for the Fast Feedback Control of Musculoskeletal Systems
Notice bibliographique
Résumé
This paper presents a computational framework for the fast feedback control of musculoskeletal systems using muscle synergies. The proposed motor control framework has a hierarchical structure. A feedback controller at the higher level of hierarchy handles the trajectory planning and error compensation in the task space. This high-level task space controller only deals with the task-related kinematic variables, and thus is computationally efficient. The output of the task space controller is a force vector in the task space, which is fed to the low-level controller to be translated into muscle activity commands. Muscle synergies are employed to make this force-to-activation (F2A) mapping computationally efficient. The explicit relationship between the muscle synergies and task space forces allows for the fast estimation of muscle activations that result in the reference force. The synergy-enabled F2A mapping replaces a computationally heavy nonlinear optimization process by a vector decomposition problem that is solvable in real time. The estimation performance of the F2A mapping is evaluated by comparing the F2A-estimated muscle activities against the measured electromyography (EMG) data. The results show that the F2A algorithm can estimate the muscle activations using only the task-related kinematics/dynamics information with ∼70% accuracy. An example predictive simulation is also presented, and the results show that this feedback motor control framework can control arbitrary movements of a three-dimensional (3D) musculoskeletal arm model quickly and near optimally. It is two orders-of-magnitude faster than the optimal controller, with only 12% increase in muscle activities compared to the optimal. The developed motor control model can be used for real-time near-optimal predictive control of musculoskeletal system dynamics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».