We describe a geometry that allows for the single-mode scanning of lasers that use a diffraction grating as the dispersive element. It is observed that under the right conditions a rotation of the tuning element can provide changes simultaneously in cavity length and diffraction angle that exactly match the requirements needed for continuous single-mode scanning. As a case study, the method is applied to the grazing-incidence pulsed dye laser.

Creating large-scale public datasets of human motion biomechanics could unlock data-driven breakthroughs in our understanding of human motion, neuromuscular diseases, and assistive devices. However, the manual effort currently required to process motion capture data and quantify the kinematics and dynamics of movement is costly and limits the collection and sharing of large-scale biomechanical datasets. We present a method, called AddBiomechanics, to automate and standardize the quantification of human movement dynamics from motion capture data. We use linear methods followed by a non-convex bilevel optimization to scale the body segments of a musculoskeletal model, register the locations of optical markers placed on an experimental subject to the markers on a musculoskeletal model, and compute body segment kinematics given trajectories of experimental markers during a motion. We then apply a linear method followed by another non-convex optimization to find body segment masses and fine tune kinematics to minimize residual forces given corresponding trajectories of ground reaction forces. The optimization approach requires approximately 3-5 minutes to determine a subject9s skeleton dimensions and motion kinematics, and less than 30 minutes of computation to also determine dynamically consistent skeleton inertia properties and fine-tuned kinematics and kinetics, compared with about one day of manual work for a human expert. We used AddBiomechanics to automatically reconstruct joint angle and torque trajectories from previously published multi-activity datasets, achieving close correspondence to expert-calculated values, marker root-mean-square errors less than 2 cm, and residual force magnitudes smaller than 2% of peak external force. Finally, we confirmed that AddBiomechanics accurately reproduced joint kinematics and kinetics from synthetic walking data with low marker error and residual loads. We have published the algorithm as an open source cloud service at AddBiomechanics.org, which is available at no cost and asks that users agree to share processed and de-identified data with the community. As of this writing, hundreds of researchers have used the prototype tool to process and share about ten thousand motion files from about one thousand experimental subjects. Reducing the barriers to processing and sharing high-quality human motion biomechanics data will enable more people to use state-of-the-art biomechanical analysis, do so at lower cost, and share larger and more accurate datasets.

Generating diverse and realistic human motion that can physically interact with an environment remains a challenging research area in character animation. Meanwhile, diffusion-based methods, as proposed by the robotics community, have demonstrated the ability to capture highly diverse and multi-modal skills. However, naively training a diffusion policy often results in unstable motions for high-frequency, under-actuated control tasks like bipedal locomotion due to rapidly accumulating compounding errors, pushing the agent away from optimal training trajectories. The key idea lies in using RL policies not just for providing optimal trajectories but for providing corrective actions in sub-optimal states which gives the policy a chance to correct for errors caused by environmental stimulus, model errors, or numerical errors in simulation. Our method, Physics-Based Character Animation via Diffusion Policy (PDP), combines reinforcement learning (RL) and behavior cloning (BC) to create a robust diffusion policy for physics-based character animation. We demonstrate PDP on perturbation recovery, universal motion tracking, and physics-based text-to-motion synthesis.

Piano playing requires agile, precise, and coordinated hand control that stretches the limits of dexterity. Hand motion models with the sophistication to accurately recreate piano playing have a wide range of applications in character animation, embodied AI, biomechanics, and VR/AR. In this paper, we construct a first-of-its-kind large-scale dataset that contains approximately 10 hours of 3D hand motion and audio from 15 elite-level pianists playing 153 pieces of classical music. To capture natural performances, we designed a markerless setup in which motions are reconstructed from multi-view videos using state-of-the-art pose estimation models. The motion data is further refined via inverse kinematics using the high-resolution MIDI key-pressing data obtained from sensors in a specialized Yamaha Disklavier piano. Leveraging the collected dataset, we developed a pipeline that can synthesize physically-plausible hand motions for musical scores outside of the dataset. Our approach employs a combination of imitation learning and reinforcement learning to obtain policies for physics-based bimanual control involving the interaction between hands and piano keys. To solve the sampling efficiency problem with the large motion dataset, we use a diffusion model to generate natural reference motions, which provide high-level trajectory and fingering (finger order and placement) information. However, the generated reference motion alone does not provide sufficient accuracy for piano performance modeling. We then further augmented the data by using musical similarity to retrieve similar motions from the captured dataset to boost the precision of the RL policy. With the proposed method, our model generates natural, dexterous motions that generalize to music from outside the training dataset.

Abstract Background During walking, humans exert a substantial hip abduction moment to maintain balance and prevent pelvic drop. This significant torque requirement suggests that assisting the frontal hip muscles could be a promising strategy to reduce the energy expenditure associated with walking. A previous musculoskeletal simulation study also predicted that providing hip abduction assistance through an exoskeleton could potentially result in a large reduction in whole-body metabolic rate. However, to date, no study has experimentally assessed the metabolic cost of walking with frontal hip assistance. Methods In this case study involving a single subject (N = 1), a tethered hip exoskeleton emulator was used to assess the feasibility of reducing metabolic expenditure through frontal-plane hip assistance. Human-in-the-loop optimization was conducted separately under torque and position control to determine energetically optimal assistance parameters for each control scheme. Results The optimized profiles in both control schemes did not reduce metabolic rate compared to walking with assistance turned off. The optimal peak torque magnitude was found to be close to zero, suggesting that any hip abduction torque would increase metabolic rate. Both bio-inspired and simulation-inspired profiles substantially increased metabolic cost. Conclusion Frontal hip assistance does not appear to be promising in reducing the metabolic rate of walking. This could be attributed to the need for maintaining balance, as humans may refrain from relaxing certain muscles as a precaution against unexpected disturbances during walking. An investigation of different control architectures is needed to determine if frontal-plane hip assistance can yield successful results.

ABSTRACT Musculoskeletal geometry and muscle volumes vary widely in the population and are intricately linked to the performance of tasks ranging from walking and running to jumping and sprinting. However, our ability to understand how these parameters affect task performance has been limited due to the high computational cost of modelling the necessary complexity of the musculoskeletal system and solving the requisite multi-dimensional optimization problem. For example, sprinting and running are fundamental to many forms of sport, but past research on the relationships between musculoskeletal geometry, muscle volumes, and running performance has been limited to observational studies, which have not established cause-effect relationships, and simulation studies with simplified representations of musculoskeletal geometry. In this study, we developed a novel musculoskeletal simulator that is differentiable with respect to musculoskeletal geometry and muscle volumes. This simulator enabled us to find the optimal body segment dimensions and optimal distribution of added muscle volume for sprinting and marathon running. Our simulation results replicate experimental observations, such as increased muscle mass in sprinters, as well a mass in the lower end of the healthy BMI range and a higher leg-length-to-height ratio in marathon runners. The simulations also reveal new relationships, for example showing that hip musculature is vital to both sprinting and marathon running. We found hip flexor and extensor moment arms were maximized to optimize sprint and marathon running performance, and hip muscles the main target when we simulated strength training for sprinters. Our simulation results can help sprint and marathon runners customize strength training, and our simulator can be extended to other athletic tasks, such as jumping, or to non-athletic applications, such as designing interventions to improve mobility in older adults or individuals with movement disorders. AUTHOR SUMMARY Our study addresses the challenge of determining optimal musculoskeletal parameters for tasks like sprinting and marathon running. Existing research has been limited to observational studies and simplified simulations. To overcome these limitations, we developed a differentiable musculoskeletal simulator to optimize running performance. We replicated past findings and uncovered new insights. We confirmed the benefits of increased muscle mass for sprinters and identified key factors for marathon runners, such a mass in the lower end of the healthy BMI range and an increased leg-length-to-height ratio. Hip musculature was found to be critical for both sprinting and marathon running. Our simulation results have practical implications. They can inform customized strength training for sprinters and marathon runners. Additionally, the simulator can be extended to other athletic tasks, benefiting various sporting events. Beyond athletics, our open-source simulator has broader applications. It can determine minimal strength requirements for daily activities, guide strength training in the elderly, and estimate the effects of simulated musculoskeletal surgery.