A generalist policy for muscle-driven control across individual musculoskeletal models

📄 arXiv: 2610.36535v1 📥 PDF

作者: Bozhao Wang, Yinglei Zhu, Zhengqing Li, Zhiyuan Zhang, Weiming Kang, Yiheng He, XinJun Liu, Senhao Hou, Huichan Zhao, Xiaoqiang Tang

分类: cs.RO

发布日期: 2026-10-27

备注: 17 pages, 7 figures. Project website: https://woodater-thu.github.io/MyoAcross/ Bozhao Wang and Yinglei Zhu contributed equally to this work

💡 一句话要点

提出MyoAcross框架以解决肌肉驱动控制模型间政策重用问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 肌肉驱动控制 运动跟踪 个体模型 策略学习 虚拟模型增强

📋 核心要点

  1. 现有方法在不同肌肉骨骼模型间的政策重用面临形态差异带来的挑战，导致控制策略的有效性降低。
  2. MyoAcross框架通过结合个体模型构建、形态条件的策略学习和虚拟模型增强，实现了无需微调的肌肉驱动运动跟踪。
  3. 在31个独立模型的实验中，MyoAcross达到了99.24%的完成率，并显著降低了跟踪误差，验证了其有效性。

📝 摘要（中文）

肌肉骨骼形态的差异使得在个体模型间重用控制策略面临挑战。本文提出了MyoAcross框架，该框架结合了个体肌肉骨骼模型构建、形态条件的策略学习和虚拟模型增强，能够实现肌肉驱动的参考运动跟踪，而无需对每个模型进行单独的微调。在31个独立模型的测试中，MyoAcross实现了99.24%的完成率，并相较于无条件的多层感知器减少了22.60%的跟踪误差。与120个额外个体的测量结果进行比较，显示出垂直地面反作用力波形的一致性，以及模拟肌肉激活与肌电图之间的通道依赖性一致性。这些结果为个体肌肉骨骼模型间运动的比较模拟建立了一个通用控制框架。

🔬 方法详解

问题定义：本文旨在解决不同肌肉骨骼模型间由于形态差异导致的控制策略重用问题。现有方法在面对个体模型时，往往需要进行复杂的微调，限制了其应用的灵活性和效率。

核心思路：MyoAcross框架的核心思路是通过构建个体肌肉骨骼模型，结合形态条件的策略学习和虚拟模型增强，来实现高效的肌肉驱动运动跟踪，而无需对每个模型进行单独的调整。

技术框架：MyoAcross的整体架构包括三个主要模块：个体肌肉骨骼模型的构建、基于形态的策略学习以及虚拟模型的增强。首先，构建个体模型以捕捉其独特的形态特征；其次，通过学习与形态相关的策略来优化控制；最后，利用虚拟模型增强技术来扩展模型的适用性。

关键创新：MyoAcross的最大创新在于其能够在不进行个体微调的情况下，实现跨模型的控制策略重用。这一方法与传统的需要针对每个模型进行微调的策略形成了鲜明对比，极大地提高了效率和适用性。

关键设计：在技术细节上，MyoAcross采用了特定的损失函数来优化策略学习，并设计了适应不同形态的网络结构，以确保模型在多样化的个体间保持高效的跟踪性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在31个独立模型的实验中，MyoAcross实现了99.24%的运动跟踪完成率，相较于无条件的多层感知器，跟踪误差降低了22.60%。此外，与120个额外个体的测量结果显示出良好的一致性，验证了该框架的有效性。

🎯 应用场景

MyoAcross框架在运动科学、康复医学和机器人控制等领域具有广泛的应用潜力。通过提供一个通用的控制框架，研究人员和工程师可以更高效地进行个体化运动模拟和控制策略开发，推动相关技术的进步和应用。

📄 摘要（原文）

Differences in musculoskeletal morphology challenge policy reuse across individual models. Here we present MyoAcross, a framework that combines individual musculoskeletal model construction, morphology-conditioned policy learning and virtual model augmentation to enable muscle-driven reference-motion tracking without individual fine-tuning. Across 31 held-out individual models, MyoAcross achieves 99.24% completion and reduces tracking error by 22.60% relative to an unconditioned multilayer perceptron. Policy reuse extends to models of 22 held-out individuals constructed from single-image shape estimates, measured height and body mass, and, with asymmetry augmentation, to models with unilateral lower-limb shortening. Comparisons with measurements from 120 additional individuals show agreement in vertical ground reaction force waveforms and channel-dependent agreement between simulated muscle activations and electromyography. These results establish a common control framework for comparative simulations of movement across individual musculoskeletal models.