下肢切断者の生活の質を大きく左右する動力義足の制御システムは、個々の歩行バイオメカニクスに適応させることが重要な課題です。しかし従来の個別化手法は、人間がループに入った時間のかかる試行錯誤や、単一関節の低次元パラメータ空間に限定された最適化に依存していました。本研究は、この課題に対して革新的なアプローチを提示しています。MuJoCoベースのシミュレーターを用いたリプレイ制約付きシミュレーション框組により、実際の歩行データから記録された股関節の運動学と足底反力フィードバックを再生しながら、膝足首の動力学を再現することで、複雑な人間の神経筋制御メカニズムをモデル化する必要性を回避しています。 本研究では深層強化学習ポリシーを用いて、両関節における位相依存のスティフネス、ダンピング、平衡角を同時に個別化し、義足に搭載されたセンサーからの計測値のみで算出される生体模倣ベースの報酬を最大化することに成功しました。大腿義足装用者3名が毎秒0.8メートルの速度で平坦地を歩行する実験では、シミュレーションと実機の間に強い予測妥当性が確認されました。ピアソン相関係数は0.96～0.997に達し、実機での最高性能ポリシーはシミュレーション上の上位5つのポリシーに常に含まれていました。 学習されたコントローラーは、個別化されていない基準となるシステムと比較して、生体模倣報酬を42～59パーセント改善しました。本框組は動力義足の高次元な個別化を実現する拡張性を備えており、ニューラルネットワークコントローラーなど、より高次元なコントローラーパラメータ化への応用も可能な設計となっています。