DFM：深度傅里叶模仿用于表达性舞蹈动作学习

随着娱乐机器人的日益普及，对自然且富有表现力的动作的需求持续增长，尤其是在舞蹈领域。传统上，舞蹈动作由艺术家手动设计，这一过程既劳动密集又仅限于简单的动作回放，缺乏在舞蹈过程中整合诸如移动或注视控制等额外任务的灵活性。为克服这些挑战，我们提出了深度傅里叶模仿（DFM），一种将先进动作表示与强化学习（RL）相结合的新方法，可在舞蹈序列中实现平滑的动作转换，同时并发管理辅助任务。虽然此前基于频域的动作表示已成功将舞蹈动作编码为潜在参数，但它们往往在局部层面施加过于僵硬的周期性假设，导致跟踪精度和动作表现力下降——这对娱乐机器人而言是一个关键方面。通过放松这些局部周期性约束，我们的方法不仅提高了跟踪精度，还促进了不同动作之间的平滑转换。此外，支持同时基础活动（如移动和注视控制）的学习 RL 策略使娱乐机器人能够更动态、更交互地与用户互动，而不仅仅是回放静态的预设计舞蹈编排。