CARL：基于强化学习的可控四足机器人运动智能体
机器学习
2021-01-06 v3 图形学
机器学习
摘要
动态环境中的运动合成一直是角色动画中的一个长期问题。使用动作捕捉数据的方法由于在复杂环境中更大的捕捉与标注需求而难以扩展。基于物理的控制器在这方面有效，但可控性较差。在本文中，我们提出 CARL，一个可通过高层指令控制并能对动态环境自然作出反应的四足智能体。从一个能模仿单个动画片段的智能体出发，我们利用生成对抗网络（GAN）将速度、朝向等高层控制适配到对应于原始动画的动作分布上。通过深度强化学习进一步微调，使智能体能从未见的外部扰动中恢复，同时产生平滑过渡。随后，通过在整个流程上添加导航模块，在动态环境中创建自主智能体变得直接。我们通过测量智能体遵循用户控制的能力来评估我们的方法，并对生成运动进行视觉分析以展示其有效性。
引用
@article{arxiv.2005.03288,
title = {CARL: Controllable Agent with Reinforcement Learning for Quadruped Locomotion},
author = {Ying-Sheng Luo and Jonathan Hans Soeseno and Trista Pei-Chun Chen and Wei-Chao Chen},
journal= {arXiv preprint arXiv:2005.03288},
year = {2021}
}
备注
Project page available at https://inventec-ai-center.github.io/projects/CARL/index.html