AdaptNet: Adaptación de políticas para el control de personajes basado en la física
Author
Venue
SIGGRAPH Asia 2023
Abstract
Inspirándose en la capacidad humana para adaptar habilidades al aprender otras nuevas, este artículo presenta AdaptNet, un enfoque para modificar el espacio latente de las políticas existentes con el fin de permitir el aprendizaje rápido de nuevos comportamientos a partir de tareas similares, en comparación con el aprendizaje desde cero. Partiendo de un controlador de aprendizaje por refuerzo dado, AdaptNet utiliza una jerarquía de dos niveles que amplía la incrustación de estado original para admitir cambios modestos en un comportamiento y modifica además las capas de la red de políticas para realizar cambios más sustanciales. Se ha demostrado que la técnica es eficaz para adaptar controladores basados en la física existentes a una amplia gama de nuevos estilos de locomoción, nuevos objetivos de tareas, cambios en la morfología de los personajes y cambios extensos en el entorno. Además, muestra un aumento significativo en la eficiencia del aprendizaje, como lo indica la gran reducción de los tiempos de entrenamiento en comparación con el entrenamiento desde cero o el uso de otros enfoques que modifican las políticas existentes. El código está disponible en https://motion-lab.github.io/AdaptNet.
