MuscleMimicによる身体性AIへの到達：全身の筋骨格モータ学習をスケールさせる

Abstract

筋肉駆動の筋骨格モデルに対する運動制御の学習は、生体力学的に正確なシミュレーションの計算コストによって妨げられていること、ならびに検証済みのオープンな全身モデルが乏しいことによって困難になっています。ここでは、筋肉駆動の生理学的に現実的なヒューマノイドに基づく、スケーラブルな運動模倣学習のためのオープンソース・フレームワークであるMuscleMimicを提示します。MuscleMimicは、2つの検証済みの筋骨格の身体化（エンベディメント）を提供します。すなわち、両手操作のための固定ルートの上半身モデル（126筋）と、移動（ロコモーション）のための全身モデル（416筋）です。さらに、SMPL形式のモーションキャプチャデータを、運動学的および動力学的な整合性を維持したまま、筋骨格構造へ対応付けるリタ―ゲティング（再目標化）パイプラインも同梱しています。大規模に並列化されたGPUシミュレーションを活用することで、本フレームワークは従来のCPUベース手法に対して学習速度を1桁以上（order-of-magnitude）向上させつつ、包括的な衝突処理を維持します。その結果、単一の汎用（generalist）ポリシーを、数日以内に数百の多様な運動のもとで訓練できます。得られたポリシーは、筋肉を完全に制御した状態で、人間の幅広い運動レパートリーを忠実に再現でき、新規の運動に対しても数時間で微調整可能です。実験に基づく歩行および走行データに対する生体力学的検証では、関節運動学で強い一致が示されました（平均相関 r = 0.90）。一方で、筋活動の解析からは、運動学的な模倣だけで生理学的忠実性（physiological fidelity）を達成することがもたらす可能性と、根本的な課題の両方が明らかになりました。筋骨格シミュレーションに対する計算・データ上の障壁を下げることで、MuscleMimicは、多様な動的運動にわたる体系的なモデル検証を可能にし、さらに神経筋制御研究へのより広い参加を促進します。コード、モデル、チェックポイント、リタ―ゲティング済みデータセットは以下で利用できます: https://github.com/amathislab/musclemimic