ForceGrip：面向 VR 手部操作真实抓握力控制的无参考课程学习

真实的手部操作是沉浸式虚拟现实（VR）的关键组成部分，然而现有方法通常依赖运动学方法或动作捕捉数据集，这些方法省略了接触力和手指扭矩等关键物理属性。因此，这些方法优先考虑紧密的、一刀切式的抓握，而不是反映用户预期的施力水平。我们提出了 ForceGrip，一种合成真实手部操作动作的深度学习智能体，能忠实反映用户的抓握力意图。ForceGrip 不模仿预定义的动作数据集，而是使用生成的训练场景——随机化物体形状、手腕运动和触发输入流——以广泛的物理交互来挑战智能体。为了有效地从这些复杂任务中学习，我们采用了包含手指定位、意图适应和动态稳定的三阶段课程学习框架。这种渐进式策略确保了稳定的手与物体接触、基于用户输入的自适应力控制，以及在动态条件下的稳健处理。此外，邻近奖励函数增强了自然的指尖运动并加速了训练收敛。定量和定性评估表明，与最先进的方法相比，ForceGrip 具有卓越的力可控性和合理性。演示视频作为补充材料提供，代码可在 https://han-dongheun.github.io/ForceGrip 获取。