高次元の人間の運動学習に向けた、スキルに基づくデータ駆動型触覚ナッジ

要旨: 本研究では、学習者の推定スキルを活用して、冗長で高次元な運動空間における新規な運動課題の学習という課題に対処するため、最適な触覚（ハプティック）ナッジフィードバックを設計するデータ駆動型フレームワークを提案する。ナッジとは、課題完了に資する運動を行うよう学習者を促すために、学習者へ提示される一連の振動触覚フィードバックである。まず、触覚ナッジのもとでの人間の運動学習に関する確率的ダイナミクスを、入出力隠れマルコフモデル（IOHMM）を用いてモデル化する。これにより、潜在スキルの進化を、観測可能なパフォーマンス指標から明示的に切り離す。さらに、この予測モデルを活用して、触覚ナッジのフィードバック設計問題を部分観測マルコフ決定過程（POMDP）として定式化する。これにより、長期的なパフォーマンスコストを最小化しつつ、学習者をより優れたスキル状態へと暗黙に導く最適なナッジ方策を導出できる。提案手法は、人間参加者による実験（N=30）により検証する。ここでは、ハンド・エクソスケルトンを通じて高次元の運動課題を提示する。結果として、POMDPに基づく方策で訓練された参加者は、経験則に基づくフィードバックを受けた群、あるいはフィードバックを受けなかった群と比べて、有意に運動効率および到達点精度が加速して向上することが示される。さらに、シナジー分析により、POMDP群は効率的な低次元の運動表現をより迅速に発見することが明らかになる。