[論文レビュー] Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale

Chengkun Li, Cheryl Wang+5 more|arXiv (Cornell University)|Mar 26, 2026

Robotic Locomotion and Control被引用数 0

ひとこと要約

MuscleMimic は、GPU加速シミュレーションと2つの検証済み全身モデルを備えた、何百もの運動で訓練された汎用ポリシーを実現する、スケーラブルな筋駆動型運動模倣学習のオープンソースフレームワーク。

ABSTRACT

Learning motor control for muscle-driven musculoskeletal models is hindered by the computational cost of biomechanically accurate simulation and the scarcity of validated, open full-body models. Here we present MuscleMimic, an open-source framework for scalable motion imitation learning with physiologically realistic, muscle-actuated humanoids. MuscleMimic provides two validated musculoskeletal embodiments - a fixed-root upper-body model (126 muscles) for bimanual manipulation and a full-body model (416 muscles) for locomotion - together with a retargeting pipeline that maps SMPL-format motion capture data onto musculoskeletal structures while preserving kinematic and dynamic consistency. Leveraging massively parallel GPU simulation, the framework achieves order-of-magnitude training speedups over prior CPU-based approaches while maintaining comprehensive collision handling, enabling a single generalist policy to be trained on hundreds of diverse motions within days. The resulting policy faithfully reproduces a broad repertoire of human movements under full muscular control and can be fine-tuned to novel motions within hours. Biomechanical validation against experimental walking and running data demonstrates strong agreement in joint kinematics (mean correlation r = 0.90), while muscle activation analysis reveals both the promise and fundamental challenges of achieving physiological fidelity through kinematic imitation alone. By lowering the computational and data barriers to musculoskeletal simulation, MuscleMimic enables systematic model validation across diverse dynamic movements and broader participation in neuromuscular control research. Code, models, checkpoints, and retargeted datasets are available at: https://github.com/amathislab/musclemimic

研究の動機と目的

• motor control 研究のための検証済みの全身 MUSK 模型の必要性を動機づける。
• 生理学的に現実的な筋駆動 humanoid を用いた汎用模倣学習フレームワークとして MuscleMimic を提示する。
• Motion capture データを MSK 構造へマッピングするリターゲティングパイプラインを提供する（上肢・全身の2つの検証済み MSK embodiment を含む）。
• 歩行および走行モーションで訓練の効率と生体力学的検証を実証する。
• 大規模な MSK モーション学習が体系的なモデル検証とより広範な研究参画を可能にすることを示す。

提案手法

• 二つの MSK embodiment：バイマンual 操作のための126筋を持つ固定ルート上半身モデル、および Locomotion のための416筋を持つ全身モデル。
• MuJoCo Warp による GPU 加速物理計算で、数千の環境に渡るシミュレーションと学習を並列化。
• SMPL 形式のモーションキャプチャデータを MSK モデルへ適合させつつ生体力学的制約を保持するリターゲティングパイプライン（GMR-Fit および Mocap-Body の代替案）。
• 安定性とスループットを最大化するように、環境数と rollout horizon を慎重にバランスさせたオンポリシー強化/模倣学習。
• アクティベーションダイナミクス模型： act' = (ctrl - act) / tau(ctrl, act)、状態依存の tau、ペンネーションなし、EMG Envelope の代理として筋活性を生成。
• 歩行/走行データセットに対する経験的評価で運動学・運動力学・GRF・EMG 相関を検証し、訓練ハイパーパラメータ（E, バッチサイズ）のアブレーションを実施。

実験結果

リサーチクエスチョン

• RQ1 hundredsの多様な筋駆動運動で訓練された汎用ポリシーは、全筋制御下で人間の広範な運動を再現できるか？
• RQ2 GPU 加速 MSK シミュレーションは CPU ベースのエンジンでは実現不可能だったスケーラブルな模倣学習を可能にするか？
• RQ3 歩行・走行のようなダイナミックなタスクで、MSK ベースのモータ出力（運動学・運動力学・EMG 的活性化）は実験データとどれくらい近いか？
• RQ4 リターゲティング手法の質が学習ポリシーの性能と生体力学的忠実度に与える影響は？
• RQ5 一般MSKポリシーから新たなモーションへ数時間での微調整は、ゼロからの訓練よりどの程度効果があるか？

主な発見

• MuscleMimic は CPU アプローチより桁違いの訓練速度向上を伴う大規模な筋駆動モーション模倣を達成。
• 単一の汎用ポリシーを hundreds のモーションで訓練可能で、MyoFullBody（416筋）および MyoBimanualArm（126筋）ともに高い成功率（約92–99%）と強いフレームカバレッジを達成。
• 生体力学的検証では、歩行の平均関節運動学相関が約 r ≈ 0.90、走行は約 ≈0.81 で実験データと一致。関節ダイナミクスの相関は低めだが妥当（歩行トレッドミルデータで約 ≈0.79）。
• 合成筋活性は人間の EMG と正の相関を示す（筋ごとに範囲約 0.2–0.6）、運動模倣だけでは生理的忠実度の課題があることを示唆。
• GMR-Fit リターゲティングは Mocap-Body より関節/運動学忠実度が高く、関節角度/速度誤差が低く、MSK モデルへ AMASS/Mocap データを写像した際のエピソードリターンが高い。
• 学習済み MSK ポリシーを新しいモーションへ微調整する場合、ゼロから訓練するよりも著しく少ないステップで済むことが多い（穏やかなモーションで <100M ステップ、動的モーションで約 10 億ステップ程度）。