MoCapAct：用于模拟人形控制的多任务数据集

模拟人形因其身体能力而成为引人注目的研究领域。然而，它们也难以控制，因为策略必须驱动一个不稳定、不连续且高维的物理系统。一种被广泛研究的方法是利用动作捕捉（MoCap）数据来教人形智能体低层技能（例如站立、行走和奔跑），这些技能随后可被复用以合成高层行为。然而，即便有 MoCap 数据，控制模拟人形仍然非常困难，因为 MoCap 数据仅提供运动学信息。寻找实现所示动作的物理控制输入需要像强化学习这样计算密集型的方法。因此，尽管有公开可用的 MoCap 数据，其效用一直局限于拥有大规模计算的机构。在这项工作中，我们通过训练并发布高质量智能体来大幅降低该主题生产性研究的门槛，这些智能体能在 dm_control 基于物理的环境中跟踪超过三小时的模拟人形 MoCap 数据。我们发布 MoCapAct（带动作的动作捕捉），这是一个包含这些专家智能体及其 rollout（含本体感知观测与动作）的数据集。我们通过使用 MoCapAct 训练一个能在 dm_control 中跟踪整个 MoCap 数据集的单一分层策略来展示其效用，并表明学到的低层组件可被复用以高效学习下游高层任务。最后，我们使用 MoCapAct 训练了一个自回归 GPT 模型，并展示它能在给定动作提示时控制模拟人形完成自然动作补全。结果视频及代码与数据集链接可在 https://microsoft.github.io/MoCapAct 获取。