AdaptNet : Adaptation des politiques pour le contrôle des personnages basé sur la physique
Author
Venue
SIGGRAPH Asia 2023
Abstract
S'inspirant de la capacité des humains à adapter leurs compétences lors de l'apprentissage de nouvelles aptitudes, cet article présente AdaptNet, une approche visant à modifier l'espace latent des politiques existantes afin de permettre l'apprentissage rapide de nouveaux comportements à partir de tâches similaires, plutôt que de partir de zéro. S'appuyant sur un contrôleur d'apprentissage par renforcement donné, AdaptNet utilise une hiérarchie à deux niveaux qui enrichit l'intégration d'état d'origine pour prendre en charge des changements modestes dans un comportement et modifie davantage les couches du réseau de politiques pour apporter des changements plus substantiels. Cette technique s'avère efficace pour adapter des contrôleurs basés sur la physique existants à un large éventail de nouveaux styles de locomotion, de nouveaux objectifs de tâches, de changements dans la morphologie des personnages et de modifications importantes de l'environnement. De plus, elle présente une augmentation significative de l'efficacité d'apprentissage, comme l'indique la réduction considérable des temps d'entraînement par rapport à un apprentissage à partir de zéro ou à l'utilisation d'autres approches modifiant les politiques existantes. Le code est disponible à l'adresse https://motion-lab.github.io/AdaptNet.
