DiffMimic：基于可微物理的高效动作模仿
计算机视觉与模式识别
2023-04-27 v2 人工智能
图形学
机器学习
摘要
动作模仿是基于物理的角色动画中的一项基础任务。然而，大多数现有的动作模仿方法建立在强化学习（RL）之上，且存在繁重的奖励工程、高方差以及因困难探索导致的收敛缓慢等问题。具体而言，它们通常需要数十小时甚至数天的训练才能模仿一个简单的动作序列，导致可扩展性较差。在本工作中，我们利用可微物理模拟器（DPS）并提出了一种名为 DiffMimic 的高效动作模仿方法。我们的核心见解是，DPS 将复杂的策略学习任务转化为简单得多的状态匹配问题。特别是，DPS 利用带有真实物理先验的解析梯度来学习稳定的策略，因此比基于 RL 的方法收敛更快、更稳定。此外，为了跳出局部最优，我们利用了示范重放机制，以在长时域中实现稳定的梯度反向传播。在标准基准上的大量实验表明，DiffMimic 比现有方法（如 DeepMimic）具有更好的样本效率和时间效率。值得注意的是，DiffMimic 允许物理模拟角色在 10 分钟的训练后学会后空翻，并在 3 小时的训练后能够循环该动作，而现有方法可能需要大约一天的训练才能循环后空翻。更重要的是，我们希望 DiffMimic 在未来的研究中能够通过可微衣物模拟等技术惠及更多可微动画系统。
引用
@article{arxiv.2304.03274,
title = {DiffMimic: Efficient Motion Mimicking with Differentiable Physics},
author = {Jiawei Ren and Cunjun Yu and Siwei Chen and Xiao Ma and Liang Pan and Ziwei Liu},
journal= {arXiv preprint arXiv:2304.03274},
year = {2023}
}
备注
ICLR 2023 Code is at https://github.com/jiawei-ren/diffmimic Project page is at https://diffmimic.github.io/