인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
In Learning from demonstration, accurate and continuous capture of human upper-limb motion during actual work is essential for accumulating large-scale robot training data, and can also populate a digital twin with realistic human motion for safe pre-deployment policy validation. However, acquiring such data at scale using optical motion capture is impractical because of its cost and limited capture volume. This paper proposes a Physics-Informed Neural Network (PINN) that estimates shoulder and elbow joint angles using two IMUs attached to the upper arm and forearm, trained solely using physical constraints and no external ground-truth labels. The loss combines a quaternion/angle kinematics residual, a gravity-vector consistency term, an anatomical range-of-motion constraint, and an initial-alignment anchor, requiring no ground-truth trajectory. Training uses unlabeled IMU data; a limited set of encoder-based angle references from a mechanical device is reserved exclusively for evaluation. Experiments using real IMU data show the proposed label-free method outperforms raw gyroscope integration and, on a slow repetitive motion trial, even outperforms a supervised PINN trained with the same encoder labels, while also revealing a gap in generalization when the model is asked to extrapolate beyond its training window.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
