运动控制优化景观的可视化
机器学习
2020-08-25 v3 机器学习
摘要
大量动画研究聚焦于运动控制的优化，无论是作为动作序列还是策略参数。然而，由于目标函数的闭式表达式通常不可用，我们对这些优化问题的理解十分有限。基于近期关于神经网络训练分析的工作，我们贡献了高维控制优化景观的新颖可视化方法；这揭示了为何控制优化是困难的，以及为何早终止和基于样条的动作参数化等常见做法使优化更容易。例如，我们的实验展示了轨迹优化如何随着轨迹变长而变得日益病态，但将控制参数化为部分目标状态——例如使用 PD 控制器转换为力矩的目标角度——可以充当高效的预条件器。我们的可视化与定量经验数据均表明，对于长规划时域，神经网络策略优化比轨迹优化具有更好的可扩展性。我们的工作增进了对运动优化的理解，且我们的可视化在教育用途中也应具有价值。
引用
@article{arxiv.1909.07869,
title = {Visualizing Movement Control Optimization Landscapes},
author = {Perttu Hämäläinen and Juuso Toikka and Amin Babadi and C. Karen Liu},
journal= {arXiv preprint arXiv:1909.07869},
year = {2020}
}
备注
Accepted to IEEE Transactions on Visualization and Computer Graphics (IEEE TVCG)