Self Model for Embodied Intelligence: Modeling Full-Body Human Musculoskeletal System and Locomotion Control with Hierarchical Low-Dimensional Representation

建模和控制人类肌肉骨骼系统对于理解人类运动、开发具有体现智能的系统以及优化人机交互系统非常重要。然而，当前开源模型仅限于有限的身体部位，并且通常只包含少量肌肉。此外，缺乏能够控制超过600个肌肉以产生合理人类运动的算法。为了填补这一空白，我们构建了一个包含90个身体段、206个关节和700个肌腱单位的全面肌肉骨骼模型，允许模拟全身动力学并与各种设备进行交互。我们使用低维表示和分层深度强化学习开发了一种新算法，以实现最先进的全身控制。我们通过模拟和真实的人类运动数据验证了我们模型和算法的有效性。肌肉骨骼模型以及其控制算法将提供给研究社区，以促进对人类运动控制的更深入理解和更好的交互机器人设计。

构建全身肌肉骨骼模型并实现全身控制，填补当前开源模型的局限性，解决肌肉控制算法的不足。

使用低维表示和分层深度强化学习开发新算法，实现全身控制，并建立包括90个身体部位、206个关节和700个肌腱单元的全面肌肉骨骼模型。

实现了全身肌肉骨骼模型的建立和控制算法的开发，验证了模型和算法的有效性，并将其开源，促进了人体运动控制的深入研究和交互式机器人的设计。

近期的相关研究包括《Deep Reinforcement Learning for Musculoskeletal Applications: A Review》、《OpenSim: Simulating Musculoskeletal Dynamics and Neuromuscular Control to Study Human and Animal Movement》等。