Computational modeling of macaque locomotion: from motion capture to joint torque actuation

Abstract

Computational models are essential in neuroscience and biomechanics for investigating internal dynamics like muscle forces. While digital twins exist for various taxa, the macaque, a species essential for understanding complex motor control similar to that of humans, lacks a full-body representation. This work bridges this gap by proposing a comprehensive kinematics-to-dynamics pipeline to simulate naturalistic movement of a physics-based "virtual macaque" derived from markerless motion capture data of Macaca fascicularis. The framework addresses the translation from noisy 3D trajectories to joint-torque actuation through four integrated components. First, a data preparation pipeline corrects alignment artifacts and estimates treadmill velocity. Second, two MuJoCo-compatible biomechanical models are developed: an efficient mean-kinematics model and an anatomically grounded skeletal model from CT scans. Third, a GPU-accelerated Inverse Kinematics (IK) algorithm, adapting the Simultaneous Tracking and Calibration (STAC) methodology, maps global data to constrained joint configurations. Finally, these poses train a Deep Reinforcement Learning (DRL) policy. By leveraging a Periodic Autoencoder (PAE) to construct a structured latent motion prior, the agent learns to track reference motions with high fidelity, resulting in robust and realistic macaque locomotion.

Computergestützte Modelle sind in der motorischen Neurowissenschaft und Biomechanik unverzichtbar, um interne Dynamiken wie Muskelkräfte zu untersuchen. Während für diverse Tierarten bereits Frameworks existieren, fehlt dem Makaken, einer Spezies, welche essenziell für das Verständnis komplexer menschenähnlicher motorischer Steuerung ist, bislang ein ganzkörperlicher digitaler Zwilling. Diese Arbeit schließt diese Lücke durch eine umfassende „Kinematics-to-Dynamics“-Pipeline zur Simulation naturalistischer Bewegungen eines physikbasierten „virtuellen Makaken“, abgeleitet aus markerlosen Motion-Capture-Daten von Macaca fascicularis. Das Framework realisiert die Umwandlung von verrauschten 3D-Trajektorien in Gelenkmoment-Aktuierung durch vier integrierte Komponenten: Erstens eine Datenaufbereitungs-Pipeline zur Artefaktkorrektur und algorithmischen Schätzung der Laufbandgeschwindigkeit. Zweitens die Entwicklung zweier MuJoCo-kompatibler biomechanischer Modelle: ein effizientes Modell auf Basis gemittelter Kinematik und ein anatomisch fundiertes Skelettmodell aus CT-Scans. Drittens bildet ein GPU-beschleunigter Algorithmus für Inverse Kinematik (IK), unter Adaption der Simultaneous Tracking and Calibration (STAC)-Methodik, globale Daten auf beschränkte Gelenkkonfigurationen ab. Schließlich wird mittels dieser Posen eine Deep Reinforcement Learning (DRL) Policy trainiert. Durch Nutzung eines Periodic Autoencoders (PAE) zur Konstruktion eines strukturierten latenten Bewegungspriors lernt der Agent, Referenzbewegungen mit hoher Genauigkeit zu folgen, was eine robuste und realistische Makaken-Lokomotion ermöglicht.