用于类人生物控制神经概率运动基元
机器学习
2019-01-16 v2 人工智能
机器人学
摘要
我们关注于学习单一运动模块的问题，该模块能够灵活表达一系列行为以控制高维物理模拟类人生物。为此，我们提出了一种具有带潜变量瓶颈的逆模型通用结构的运动架构。我们表明，可以完全离线训练该模型以压缩数千个专家策略并学习运动基元嵌入空间。训练后的神经概率运动基元系统能够对人形全身类人行为进行一次性模仿，稳健地模仿未见轨迹。此外，我们证明训练控制器以重用所学运动基元空间来解决任务也很直接，且由此产生的运动相对自然。为支持我们的模型训练，我们比较了两种离线策略克隆方法，包括一种我们称为线性反馈策略克隆的高效经验方法。我们鼓励读者观看总结我们结果的补充视频（https://youtu.be/CaDEf-QcKwA）。
引用
@article{arxiv.1811.11711,
title = {Neural probabilistic motor primitives for humanoid control},
author = {Josh Merel and Leonard Hasenclever and Alexandre Galashov and Arun Ahuja and Vu Pham and Greg Wayne and Yee Whye Teh and Nicolas Heess},
journal= {arXiv preprint arXiv:1811.11711},
year = {2019}
}
备注
Accepted as a conference paper at ICLR 2019