Demasiado rígido, demasiado fuerte, demasiado inteligente: Evaluación de los problemas fundamentales de las políticas de control de movimientos
Author
Venue
SCA 2023
Abstract
Los métodos de aprendizaje por refuerzo profundo (DRL) han demostrado resultados impresionantes en la síntesis de movimientos sofisticados de personajes basados en la física, y aunque estos métodos funcionan bien en cuanto al seguimiento de movimientos de referencia o la realización de tareas complejas, surgen varias preocupaciones a la hora de evaluar la naturalidad del movimiento. En este artículo, llevamos a cabo un estudio preliminar de métricas cuantitativas específicas para medir la naturalidad del movimiento producido por las políticas de control DRL más allá de su apariencia visual. Concretamente, proponemos estudiar la rigidez de la política de control, anticipando que influirá en cómo se comporta el personaje ante una perturbación externa. En segundo lugar, establecemos dos valores de referencia para la fuerza que permiten evaluar el uso de los pares articulares en comparación con el rendimiento humano. En tercer lugar, proponemos el estudio de la variabilidad para revelar la precisión antinatural de las políticas de control y cómo se comparan con el movimiento humano real. En resumen, nuestro objetivo es establecer medidas repetibles para evaluar la naturalidad de las políticas de control generadas por métodos de DRL, y presentamos un conjunto de comparaciones con sistemas de última generación. Por último, proponemos modificaciones sencillas para mejorar el realismo en estos ejes.
