💻 computer science

MyoChallenge 2025: A New Benchmark for Human Athletic Intelligence

MyoChallenge 2025 is een NeurIPS-benchmark die gebruikmaakt van hoogwaardige musculoskeletale simulaties en machine learning om motorische controle-intelligentie te evalueren en te bevorderen via sporttaken voor boven- en onderledematen, en die een wereldwijde interdisciplinaire gemeenschap verenigt om de kloven tussen robotica, biomechanica en neurowetenschappen te overbruggen.

Oorspronkelijke auteurs: Cheryl Wang, Chun Kwang Tan, Balint K. Hodossy, Eric Lyu, Jun Guo, Wentao Zhao, Huaping Liu, Chengkun Li, Merkourios Simos, Bianca Ziliotto, Alexander Mathis, Siyuan Liu, Jiahao Chen, Shanlin Zhong, B

Gepubliceerd 2026-05-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Cheryl Wang, Chun Kwang Tan, Balint K. Hodossy, Eric Lyu, Jun Guo, Wentao Zhao, Huaping Liu, Chengkun Li, Merkourios Simos, Bianca Ziliotto, Alexander Mathis, Siyuan Liu, Jiahao Chen, Shanlin Zhong, Bo Jiang, Ci Song, Yaoye Zhu, Chenhui Zuo, Yanan Sui, Mohamed Irfan Refai, Massimo Sartori, Guillaume Durandau, Vikash Kumar, Vittorio Caggiano

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een gigantisch video-game-toernooi met hoge inzet voor, maar in plaats van Mario Kart of FIFA te spelen, proberen de deelnemers een digitale robot te leren sporten, precies zoals een menselijke atleet. Dit is het verhaal van MyoChallenge 2025.

Hier is de uitleg van wat er gebeurde, met behulp van eenvoudige analogieën.

Het Grote Probleem: De "Spier"-Kloof

Denk aan huidige robots als auto's met zeer stijve, simpele motoren. Ze kunnen bewegen, maar ze hebben geen "spieren". Echte mensen hebben duizenden kleine spieren die aan botten trekken, strekken en samentrekken op complexe manieren om ons behendig te maken.

Wetenschappers hebben geprobeerd "Digitale Tweelingen" (perfecte computerkopieën) van menselijke lichamen te bouwen met deze realistische spieren. Maar tot nu toe was het alsof je probeerde een peuter professionele tennis te leren met een speelgoedauto. De computermodellen waren te simpel, en de fysische engines te traag om de complexiteit van echte menselijke beweging te verwerken.

De Oplossing: De "Olympische Spelen" voor Digitale Spieren

Om dit op te lossen, creëerde een groep onderzoekers MyoChallenge 2025. Denk hierbij aan de Olympische Spelen voor Kunstmatige Intelligentie, maar dan zijn de atleten computerprogramma's en de onderdelen:

Tafeltennis: Een robotarm en torso moeten een pingpongbal heen en weer slaan.
Voetbalpenalty: Een robot met volledig lichaam moet op de bal afrennen en een voetbal in het doel trappen (soms met een doelman die probeert te stoppen).

Het doel was niet alleen om de robot te laten bewegen; het was om hem te laten bewegen met menselijke behendigheid en spiercoördinatie.

De Regels van het Spel

De competitie gebruikte een speciale video-game-engine genaamd MyoSuite. Deze engine is als een super-geavanceerde fysische simulator.

De Lichamen: De robots waren geen simpele blokken. Het waren gedetailleerde modellen met 273 spieren voor de tafeltennisspeler en 290 spieren voor de voetballer.
De Uitdaging: De robots moesten leren door trial-and-error. Ze konden niet zomaar de opdracht krijgen "beweeg je been zo". Ze moesten uitzoeken hoe ze honderden spieren tegelijkertijd moesten coördineren om in balans te blijven, te rennen en een bal te slaan.

De Twee Onderdelen

1. De Tafeltennis-ronde (Het Bovenlichaam)

De Opstelling: Een robotarm en torso met een racket.
De Taak: Een bal komt met verschillende snelheden en hoeken aangevlogen. De robot moet hem perfect terugslaan.
De Moeilijkheid: Het gaat niet alleen om het raken van de bal; het gaat om het racket stabiel houden, de torso bewegen voor balans, en direct reageren.
De Winnaar (ActingAI): Ze lieten de robot niet raden. Ze gaven hem een "coach" (een fysische planner) die voorspelde waar de bal naartoe zou gaan. Vervolgens gebruikten ze een slimme truc om de wiskunde te vereenvoudigen, waardoor het complexe "spier"-probleem werd omgezet in een eenvoudiger "gewricht"-probleem, wat het veel makkelijker maakte om te leren.

2. De Voetbalpenalty (Het Volledige Lichaam)

De Opstelling: Een volledig robotlichaam (benen en torso, geen armen) tegenover een voetbal.
De Taak: Op de bal afrennen en hem in het net trappen, zelfs als er een doelman staat.
De Moeilijkheid: Dit is ongelooflijk moeilijk. De robot moet op één been in balans blijven, het andere zwaaien en de trap perfect timen, terwijl hij tegelijkertijd 290 spieren beheert.
De Winnaar (Servette MyoClub): Ze begonnen niet helemaal opnieuw. Ze namen een robot die al wist hoe te lopen (zoals een menselijke baby die leren lopen) en gaven hem extra training om te leren trappen. Het was alsof je een professionele hardloper leert een voetbal te schieten, in plaats van te proberen een pasgeborene beide dingen tegelijk te leren.

De Resultaten: Wie Won?

Deelnemers: Bijna 70 teams uit de hele wereld deden mee, waaronder studenten, artsen en AI-experts.
De Scores:
- Bij Tafeltennis sloeg het winnende team de bal 100% van de tijd terug in de makkelijke ronde en 64% in de moeilijke ronde.
- Bij Voetbal scoorde het winnende team 32% van de tijd in de moeilijke ronde.
De Kloof: Hoewel de robots het goed deden, zijn ze nog niet helemaal zo goed als elite-menselijke atleten. Het artikel merkt op dat de robots de "explosieve kracht" en het perfecte timing missen die echte mensen hebben, voornamelijk omdat de computersimulaties nog steeds wat traag en onhandig zijn in vergelijking met het echte leven.

De Grote Les

Het artikel beweert dat deze competitie bewees dat we eindelijk complexe sporten met realistische spieren kunnen simuleren. Het benadrukte echter ook een grote bottleneck: rekenkracht.

De Analogie: Het trainen van deze robots is alsof je probeert een super-complexe simulatie te draaien op een trage, oude laptop. Het winnende voetbalteam had 14 dagen nodig om hun robot te trainen.
De Toekomst: De auteurs zeggen dat de volgende stap is om deze simulaties te verplaatsen naar supersnelle grafische kaarten (GPU's). Dit zou zijn alsof je upgradet van een fiets naar een raceauto, waardoor onderzoekers deze digitale atleten veel sneller en realistischer kunnen trainen.

In het Kort

MyoChallenge 2025 was een wereldwijde wedstrijd om te zien of AI kon leren sporten met realistische menselijke spieren. De winnaars toonden aan dat robots, door slimme wiskundige trucs te combineren en gebruik te maken van vooraf getrainde "loop"-vaardigheden, tafeltennis en voetbal kunnen leren. Maar om ze tot echte menselijke atleten te maken, hebben we snellere computers nodig om de enorme hoeveelheid spierwiskunde te verwerken die daarvoor nodig is.

Technische Samenvatting: MyoChallenge 2025: Een Nieuwe Benchmark voor Menselijke Atletische Intelligentie

Probleemstelling

Menselijke atletische prestaties vertegenwoordigen het toppunt van sensorimotorische intelligentie, waarbij snelle besluitvorming, precieze controle en gecoördineerde uitvoering binnen dynamisch veranderende omgevingen vereist zijn. Het nabootsen van dit vermogen in kunstmatige intelligentie en robotica blijft ontwijkend, omdat huidige kaders vaak vertrouwen op vereenvoudigde actuator- en dynamische modellen die de biologische complexiteit van spiergebaseerde systemen (niet-lineaire, vertraagde en gekoppelde kenmerken) niet vastleggen. Bovendien wordt het begrijpen van biologische meesterschap gehinderd door de moeilijkheid om complexe spiercoördinatie in vivo te meten. Hoewel eerder onderzoek zich richtte op geïsoleerde kinetische prestaties of gedeeltelijke lichaamssegmenten, ontbreekt het aan publieke benchmarks die hoogwaardige, volledige musculoskeletale (MSk) modellen integreren met interactieve, fysiek gesimuleerde sportomgevingen en geavanceerde machine learning-algoritmen.

Methodologie

MyoChallenge 2025 adresseert deze kloof door een benchmark te vestigen binnen het MyoSuite-open-sourcekader, aangedreven door de MuJoCo-fysica-engine. De competitie omvat twee distincte tracks die ontworpen zijn om motorische controle-intelligentie in sporten te testen:

Tafeltennis Track: Een agent bestuurt een biomechanisch bovenste lidmaat (MyoArm: 27 DOFs, 63 spieren) en romp (MyoTorso: 18 DOFs, 210 actuatoren) om een inkomende bal terug te slaan. Het bekken wordt geactiveerd in x/y om zijwaartse beweging te simuleren. De taak vereist een generalistisch beleid dat in staat is om variërende baltrajecten en snelheden te hanteren.
Voetbal Penalty Track: Een agent bestuurt een volledig lichaammodel (inclusief MyoLeg: 28 DOFs, 80 spieren, en MyoTorso) om een penalty te schieten tegen een doelman. Deze taak vereist het coördineren van 290 spieren om gelijktijdig locomotie, posturale stabiliteit en een precieze ballistische klap te beheren.

Simulatie en Evaluatie:

Modellen: De MSk-modellen zijn bijna drie keer complexer dan vorige iteraties, met hoogwaardige spier-tendon-eenheden.
Fases: De competitie bestond uit een openingsfase (statische omgevingen) en een play-offfase (met aanzienlijke omgevingsvariaties in massa, wrijving, baltrajecten en doelmannengedrag) om robuustheid te testen.
Metingen: Teams werden voornamelijk gerangschikt op basis van succespercentage (succesvolle returns of doelpunten). In de play-offfase werden gelijke standen beslist door "spieractivatie-inspanning" (gemiddelde kwadratische activatie), wat energie-efficiëntie beloont.
Data: Er waren geen vooraf verzamelde trainingsdatasets vereist; beleidslijnen werden verwacht om te leren via interactie. Echter, een aangepaste bot werd verstrekt om imitatieleerdata te genereren, en publieke datasets (AMASS, BONES-SEED) werden aangemoedigd als priors.

Belangrijkste Bijdragen en Winnende Oplossingen

De competitie trok 69 teams en 562 inzendingen. De winnende oplossingen toonden een verschuiving van puur end-to-end leren naar hybride benaderingen die fysica-gebaseerde priors en hiërarchische structuren integreren.

Tafeltennis Track

1e Plaats (Team ActingAI): Stelde Diff-Muscle voor, een hiërarchisch kader dat gebruikmaakt van differentiële flatheid. Ze bewezen dat de toestanden en besturingen van het systeem algebraïsch bepaald kunnen worden door gewrichtsconfiguraties (flat outputs). Dit stelde hen in staat om de actieruimte te comprimeren van hoog-dimensionale spieractivaties ( $R^{273}$ ) naar een lager-dimensionale gewrichtsruimte ( $R^{32}$ ). Het kader gebruikt een fysica-gebaseerde planner om baltrajecten te voorspellen en doelwit rackettoestanden te berekenen, een PPO-gebaseerd RL-beleid voor gewrichtscontrole, en een Kinematica-gebaseerde Spieractuatie Controller (K-MAC) om gewrichten terug te koppelen naar spieren.
2e Plaats (Team BioSyn): Gebruikte een gestructureerde versterkingsleer-benadering geïnspireerd door de menselijke motorische cortex. Ze decomponeerden controle in "synergie-subnetwerken" gewijd aan specifieke lichaamsregio's (hand, arm, romp, bekken). Exploratie werd geleid door multivariate Gaussisch ruis gewogen door deze synergieën, wat antagonistische co-activatie verminderde en energie-efficiëntie verbeterde.
3e Plaats (Team LNSGroup): Integreerde fysica-priors met een CrossQ-algoritme en een Gaussisch Proces Classificator (GPC). Een fysica-model voorspelde baltrajecten om dichte geometrische tracking-beloningen te creëren. De GPC routeerde dynamisch inkomende ballen naar gespecialiseerde sub-beleidslijnen (forehand/backhand) op basis van vertrouwen, wat effectief omging met de verbrede trajectverdeling van de play-offfase.

Voetbal Penalty Track

1e Plaats (Team Servette MyoClub): Slaagde door gebruik te maken van een voorgetrainde locomotie-prior (KINESIS) in plaats van vanaf nul te trainen. Ze hanteerden een tweestaps-pijplijn:
1. Leraar-beleid: Fijne afstelling van het KINESIS-bewegingsimitatiebeleid (getraind op menselijke locomotiedata) tot een doel-bereikend beleid en vervolgens tot een bal-schietend beleid.
2. Retargeting: Overdracht van het leraar-beleid naar de MyoChallenge-omgeving via offline trajectcollectie, student-voortraining (gedragscloning) en on-policy gedragscloning (OBC/DAgger) om het mismatch in observatieruimte te hanteren. Tot slot pasten ze PPO-fijne afstelling toe om energie-efficiëntie te verbeteren.

Resultaten

Deelname: 69 teams uit meer dan 10 landen, met in totaal 562 inzendingen. 63% van de deelnemende teams bestond volledig uit studenten.
Tafeltennis Prestatie: Het winnende team (ActingAI) behaalde 100% succes in Fase 1 en 64% in Fase 2, met een inspanningsscore van 0,1306. De top drie teams werden slechts gescheiden door een verschil van 5% in succespercentage in de uiteindelijke scoring.
Voetbal Prestatie: Vanwege de extreme complexiteit (290 spieren) overtrof slechts één team de baseline. Servette MyoClub behaalde 100% succes in Fase 1 en 32% in Fase 2, met een inspanning van 1,3174.
Computatieknelpunt: Trainings tijden benadrukten een ernstig CPU-knelpunt. Het winnende voetbalbeleid vereiste ongeveer 14 dagen training, en het tafeltennisbeleid vereiste ongeveer 51 uur, wat onderstreept dat er behoefte is aan GPU-versnelde simulatiepijplijnen.

Betekenis en Claims

Het artikel claimt dat MyoChallenge 2025 de eerste benchmark voor sportagiliteit met hoogwaardige MSk-simulaties vestigt, en de kloof overbrugt tussen huidige state-of-the-art modellen en ware menselijke atletische intelligentie.

Interdisciplinaire Impact: Het evenement verenigde een diverse gemeenschap van artsen, neurowetenschappers en machine learning-experts, dienend als een reproduceerbaar testbed voor onderzoek in biomechanica, sportwetenschap en neurowetenschappen.
Methodologische Verschuiving: De resultaten geven aan dat voor hoog-dimensionale, dynamische taken, puur end-to-end leren vaak ontoereikend is. Succesvolle strategieën vertrouwen steeds meer op fysica-gebaseerde priors, hiërarchische planning, spiersynergieën en gedragscloning van expertbeleidslijnen.
Toekomstige Richting: Het artikel identificeert het gebrek aan end-to-end GPU-versnelling als een kritieke barrière. Het betoogt dat het veld moet verschuiven naar volledig GPU-versnelde pijplijnen (bijv. MuJoCo-Warp) om schaalbare, volledige musculoskeletale controle mogelijk te maken, wat de weg vrijmaakt voor een datagedreven tijdperk in biomechanische simulatie.
Beperkingen: De auteurs merken bescheiden op dat er nog steeds een prestatiekloof blijft bestaan ten opzichte van elite-atleten. Huidige beloningsformuleringen maximaliseren voorwaartse snelheid maar vangen niet expliciet geoptimaliseerde kinetische ketensequentie of het stretch-shortening-cyclus, wat resulteert in gesimuleerde trappen die de pieksnelheid en flexibele precisie van menselijke prestaties missen.

De competitiesuite blijft publiek beschikbaar binnen de MyoSuite-repository om verder onderzoek en de ontwikkeling van realistische, generaliseerbare digitale tweelingen voor revalidatie en assistieve technologieën te faciliteren.