Zu starr, zu stark, zu schlau: Eine Bewertung grundlegender Probleme bei Richtlinien zur Bewegungssteuerung
Author
Venue
SCA 2023
Abstract
Methoden des Deep Reinforcement Learning (DRL) haben beeindruckende Ergebnisse bei der gekonnten Bewegungssynthese physikalisch basierter Charaktere gezeigt. Während diese Methoden bei der Nachverfolgung von Referenzbewegungen oder der Bewältigung komplexer Aufgaben gute Leistungen erbringen, ergeben sich bei der Bewertung der Natürlichkeit der Bewegung jedoch einige Bedenken. In diesem Beitrag führen wir eine vorläufige Untersuchung spezifischer quantitativer Metriken durch, um die Natürlichkeit von durch DRL-Steuerungsstrategien erzeugten Bewegungen über deren visuelle Erscheinung hinaus zu messen. Konkret schlagen wir vor, die Steifigkeit der Steuerungsstrategie zu untersuchen, da wir davon ausgehen, dass diese das Verhalten des Charakters bei externen Störungen beeinflusst. Zweitens legen wir zwei Basiswerte für die Kraft fest, die eine Bewertung der Nutzung von Gelenkmomenten im Vergleich zur menschlichen Leistung ermöglichen. Drittens schlagen wir die Untersuchung der Variabilität vor, um die unnatürliche Präzision von Steuerungsstrategien aufzudecken und zu zeigen, wie diese im Vergleich zu echten menschlichen Bewegungen abschneiden. Zusammenfassend zielen wir darauf ab, wiederholbare Messgrößen zur Bewertung der Natürlichkeit von durch DRL-Methoden erzeugten Steuerungsstrategien zu etablieren, und wir präsentieren eine Reihe von Vergleichen mit modernsten Systemen. Schließlich schlagen wir einfache Modifikationen vor, um den Realismus in diesen Bereichen zu verbessern.
