[논문 리뷰] Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale

Chengkun Li, Cheryl Wang외 5명|arXiv (Cornell University)|2026. 03. 26.

Robotic Locomotion and Control인용 수 0

한 줄 요약

MuscleMimic은 수십 개의 모션에서 학습된 일반 정책을 GPU 가속 시뮬레이션과 함께 제공하는 확장 가능한 근육 주도 골격근 모션 모방 학습 오픈 소스 프레임워크이며, 두 가지 검증된 전신 구현을 제공합니다.

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

연구 동기 및 목표

• motor control 연구를 위한 검증된 전신 골격근 모델의 필요성을 동기화합니다.
• 물리적으로 현실적이며 근육 작동 humanoids를 이용한 확장 가능한 모방 학습 프레임워크로 MuscleMimic을 제시합니다.
• 모션 캡처 데이터를 MSK 구조에 매핑하는 재목표화 파이프라인과 두 가지 검증된 MSK 구현(상체 및 전신)을 제공합니다.
• 보행 및 달리기 모션에 대해 학습 효율성과 생체역학적 검증을 보여줍니다.
• 대규모 MSK 모션 학습이 체계적인 모델 검증 및 더 넓은 연구 참여를 가능하게 함을 보입니다.

제안 방법

• 고정 루트 상체 모델(126개 근육)과 보행을 위한 전신 모델(416개 근육)의 두 가지 MSK 구현.
• 수천 개 환경에 걸쳐 시뮬레이션과 학습을 병렬화하기 위한 MuJoCo Warp를 이용한 GPU 가속 물리 시뮬레이션.
• 생체역학적 제약을 보존하면서 SMPL 포맷 모션 캡처 데이터를 MSK 모델에 매핑하는 재목표화 파이프라인(GMR-Fit 및 Mocap-Body 대안).
• 안정성과 처리량을 극대화하기 위해 주도적 정책 강화/모방 학습에서 환경 수와 롤아웃 수평선의 균형을 신중하게 맞춤.
• 활성화 다이나믹스 모델: act' = (ctrl - act) / tau(ctrl, act) with state-dependent tau and no pennation, producing muscle activations as proxies for EMG envelopes.
• 보행/달리기 데이터셋에 대한 경험적 평가를 통해 키네마틱스, 키네틱스, GRF 및 EMG 상관관계를 검증하고 학습 하이퍼파라미터(E, 배치 크기)에 대한 제거적 연구를 수행합니다.

실험 결과

연구 질문

• RQ1 수백 가지의 다양한 근육 주도 모션에서 학습된 일반 정책이 전신 근육 제어 하에서 인간의 광범위한 동작 레퍼토리를 재현할 수 있는가?
• RQ2 GPU 가속 MSK 시뮬레이션이 CPU 기반 엔진에서는 불가능하던 확장 가능한 모방 학습을 가능하게 하는가?
• RQ3 MSK 기반 모터 출력(키네마틱스, 키네틱스, EMG 유사 활성화)이 걷기와 달리기 같은 동적 작업에서 실험적 인간 데이터와 얼마나 근접한가?
• RQ4 재목표화 방법의 품질이 학습된 정책의 성능 및 생체역학적 충실도에 미치는 영향은 무엇인가?
• RQ5 일반 MSK 정책에서 새 모션으로의 미세 조정이 시간으로는 며칠이 아닌 몇 시간 안에 가능할 정도로 적응될 수 있는가?

주요 결과

• MuscleMimic은 CPU 접근 방식 대비 차원 수의 훈련 속도 향상을 통해 대규모 근육 주도 모션 모방 학습을 달성합니다.
• 單일 일반 정책은 MyoFullBody(416 근육) 및 MyoBimanualArm(126 근육)에 대해 수백 개 모션에서 학습되며 높은 성공률(약 92–99%)과 강한 프레임 커버리지를 보입니다.
• 생체역학적 검증에서 걷기에 대해 평균 조인트 키네마틱 상관 r≈0.90, 달리기에 대해 ≈0.81로 실험 데이터와의 상관이 나타나며, 조인트 다이나믹스 상관은 다소 낮지만 합리적입니다(걷기 러닝머신 데이터 ≈0.79).
• 합성 근육 활성화는 인간 EMG와 양의 상관을 보이며(근육별 범위 약 0.2–0.6), 운동학적 모방만으로 생리학적 충실도를 달성하는 것이 도전적임을 강조합니다.
• GMR-Fit 재목표화는 Mocap-Body보다 관절/키네마틱 충실도가 높고 관절 각도/속도 오차가 더 작으며 MSK 모델에 AMASS/Mocap 데이터를 매핑할 때 에피소드 보상이 더 큽니다.
• 학습된 MSK 정책을 새 모션으로 미세 조정하는 것은 대개 처음부터 학습하는 것보다 훨씬 적은 단계가 필요합니다(예: 온화한 모션의 경우 <100M 단계; 동적 모션의 경우 약 10억 단계).