Submovement分解の識別可能性を数値化するSub-IDが高密度な手先軌道から運動プリミティブを抽出

重なり合うサブムーブメントの分解が数学的に可能となる条件を定式化し、その条件をアルゴリズムの診断と分解性能の両方に組み込めるかを問うた。

既存のサブムーブメント分解は、厳密探索ではプリミティブ数が約10を超えると指数関数的に計算量が増大し、スケーラブルな近似手法では導入する仮定が結果を歪める可能性を測定できない。重なりが強い場合には解が一意でなくなり、偽の分解が残差0.5%未満でデータに一致しても失敗を検出できないという課題があった。

従来は、分枝限定法やScattershotのような大域的最適探索、Gowdaらの探索空間削減ヒューリスティクス、SSSUMOのような学習ベース手法があった。大域探索はプリミティブ数約10までしか扱えず、スケーラブル手法はバイアスの影響を定量できず、SSSUMOは既存アルゴリズムが生成したラベルで訓練されるためバイアスを引き継ぎ、サンプリングレートや次元も固定されていた。

Sub-IDは、Cramér–Rao下界から導出した時空間カーネル相関ρ_{i,j}=cos(ψ_{i,j})ρ(Δt)を識別可能性基準とする。この基準を適応リッジ正則化に埋め込み、低相関な解へ最適化を誘導する。パイプラインは、接線速度に対するヒューリスティックなピーク検出初期化、残差に貪欲に基底を追加する精密化、位置領域での適応リッジ最適化の3段階で構成される。位置領域で解くことで速度誤差の積分ドリフトを防ぎ、正則化が共線性を抑制する。

合成データ（K=3、8、15、各100試行の単峰分布）で、Sub-IDは全複雑度で速度RMSEを2%以下に抑え、K=15でも位置RMSE 0.012 mを維持した。同一条件でScattershotはK=3で収束、K=8で劣化、K=15で基底上限に達し失敗、GowdaはK=3で位置RMSE最低0.015 mからK=15で約0.06 mへ増加、SSSUMOはK=15で位置RMSE 0.120 mに達した。パラメータ分布回復では、Sub-IDが持続時間、振幅、プリミティブ数、不応期のすべてで真の分布を再現した。SSSUMOはK=3でも分布がずれ数を過大評価、ScattershotはK=8で数合わせを失いK=15で失敗、Gowdaは平均値は近いがK=8、15で過適合し基底数を多く推定した。カーネル相関では、Sub-IDはK=15でも臨界重なり（0.8超）が3.00%にとどまり最大相関0.45だった。GowdaはK=15で相関0.68、12.30%が閾値超、SSSUMOはK=3で0.5〜0.6からK=15で0.96へ上昇し51.83%が極端な重なりを示した。二峰性分布（K=15、100例）ではSub-IDが双峰性を保持し、推定基底数は14〜16とわずかに変動した。極端な重なりの非識別可能領域では、密接したサブムーブメントが融合して基底数を大幅に過小評価し、重なりが急増することで曖昧さを検出した。実データでは2D/3Dの短時間タスクと長時間PushTタスクで評価し、3次元長時間動作からの抽出を報告した。

著者は、実データでのρ_{i,j}が推定された方向ベクトルに依存するため、打ち消し合う基底が偶然直交していると低い相関を報告し、分解の適切性を誤って保証する可能性があると述べた。したがってρは必要だが十分ではない。SSSUMOは公開済みモデルのまま評価しており、Sub-ID生成ラベルで再学習すれば差が縮まるかは未検証。最終フィッティングは直交座標系で行うため、関節角度や物体中心座標では再定式化が必要。位置領域の最小二乗はホワイトノイズを仮定しており、運動指令ノイズがホワイトの場合に生じるブラウン運動ノイズの下では最尤推定ではない。実データに関する定量的結果は提示された本文の範囲では限定的である。