单刚体角色在多种环境中的自适应跟踪
机器人学
2024-01-30 v3 图形学
机器学习
摘要
自 DeepMimic [Peng et al. 2018] 提出以来，后续研究致力于在各种场景中扩展模拟动作的 repertoire。本研究针对该目标提出一种替代方法，一种基于单刚体角色模拟的深度强化学习方法。利用质心动力学模型（CDM）将全身角色表示为单刚体（SRB）并训练策略跟踪参考动作，我们可获得一个无需额外学习即能适应各种未观测环境变化与控制器切换的策略。由于状态与动作空间维度降低，学习过程样本高效。最终全身动作基于模拟 SRB 角色的状态以物理合理的方式运动学生成。SRB 模拟被表述为二次规划（QP）问题，策略输出使 SRB 角色跟随参考动作的动作。我们证明，我们的策略在超便携笔记本上 30 分钟内高效训练完成，能够应对学习中未经历的环境（如在不平坦地形上奔跑或推箱子）以及已学策略间的切换，且无需任何额外学习。
引用
@article{arxiv.2308.07491,
title = {Adaptive Tracking of a Single-Rigid-Body Character in Various Environments},
author = {Taesoo Kwon and Taehong Gu and Jaewon Ahn and Yoonsang Lee},
journal= {arXiv preprint arXiv:2308.07491},
year = {2024}
}
备注
SIGGRAPH Asia 2023 Conference Papers