基于可微物理的复杂运动技能学习
人工智能
2023-10-31 v2 图形学
机器学习
摘要
可微物理能够实现基于梯度的神经网络（NN）控制器的高效优化。然而，现有工作通常只能得到能力有限且泛化性较差的 NN 控制器。我们提出了一个实用的学习框架，可输出统一的 NN 控制器，能够完成复杂度和多样性显著提升的任务。为了系统性地提升训练的鲁棒性和效率，我们针对基线方法研究了一系列改进，包括周期激活函数和定制的损失函数。此外，我们发现采用批处理（batching）和 Adam 优化器在训练复杂运动任务时十分有效。我们在可微质量-弹簧和物质点法（MPM）仿真上评估了我们的框架，涉及具有挑战性的运动任务与多种机器人设计。实验表明，我们基于可微物理的学习框架取得了优于强化学习的结果，并且收敛速度快得多。我们展示了用户可以使用在我们系统中训练的统一 NN 控制器，以指定的速度、高度和方向指令交互式地控制软体机器人运动并在多个目标间切换。代码已发布于 https://github.com/erizmr/Complex-locomotion-skill-learning-via-differentiable-physics。
引用
@article{arxiv.2206.02341,
title = {Complex Locomotion Skill Learning via Differentiable Physics},
author = {Yu Fang and Jiancheng Liu and Mingrui Zhang and Jiasheng Zhang and Yidong Ma and Minchen Li and Yuanming Hu and Chenfanfu Jiang and Tiantian Liu},
journal= {arXiv preprint arXiv:2206.02341},
year = {2023}
}