Lernen komplexer Bewegungen mit Aufgabensteuerung
Author
Venue
SIGGRAPH 2023
Abstract
Wir stellen eine Deep-Learning-Methode für die zusammengesetzte und aufgabenorientierte Bewegungssteuerung physikalisch simulierter Charaktere vor. Im Gegensatz zu bestehenden datengesteuerten Ansätzen, die verstärktes Lernen nutzen und Ganzkörperbewegungen imitieren, lernen wir entkoppelte Bewegungen für bestimmte Körperteile aus mehreren Referenzbewegungen gleichzeitig und direkt, indem wir den Einsatz mehrerer Diskriminatoren in einem GAN-ähnlichen Aufbau nutzen. In diesem Prozess ist keine manuelle Arbeit erforderlich, um zusammengesetzte Referenzbewegungen für das Lernen zu erzeugen. Stattdessen erforscht die Steuerungsstrategie selbstständig, wie die zusammengesetzten Bewegungen automatisch kombiniert werden können. Wir berücksichtigen zudem mehrere aufgabenspezifische Belohnungen und trainieren eine einzige, multiobjektive Steuerungsstrategie. Zu diesem Zweck schlagen wir ein neuartiges Framework für multiobjektives Lernen vor, das das Lernen unterschiedlicher Bewegungen aus mehreren Quellen und mehrere zielgerichtete Steuerungsziele adaptiv ausbalanciert. Da zusammengesetzte Bewegungen in der Regel Erweiterungen einfacherer Verhaltensweisen sind, führen wir zudem eine sample-effiziente Methode ein, um zusammengesetzte Steuerungsstrategien inkrementell zu trainieren. Dabei verwenden wir eine vortrainierte Strategie als Metastrategie wieder und trainieren eine kooperative Strategie, die die Metastrategie an neue zusammengesetzte Aufgaben anpasst. Wir zeigen die Anwendbarkeit unseres Ansatzes auf eine Vielzahl anspruchsvoller multiobjektiver Aufgaben, die sowohl die Nachahmung zusammengesetzter Bewegungen als auch eine zielgerichtete Steuerung umfassen.
