Apprentissage de mouvements composites avec contrôle des tâches
Author
Venue
SIGGRAPH 2023
Abstract
Nous présentons une méthode d'apprentissage profond pour le contrôle de mouvements composites et orientés vers des tâches pour des personnages simulés physiquement. Contrairement aux approches existantes basées sur les données et utilisant l'apprentissage par renforcement qui imitent les mouvements du corps entier, nous apprenons simultanément et directement des mouvements découplés pour des parties spécifiques du corps à partir de multiples mouvements de référence, en tirant parti de l'utilisation de multiples discriminateurs dans une configuration de type GAN. Dans ce processus, aucune intervention manuelle n'est nécessaire pour produire des mouvements de référence composites destinés à l'apprentissage. Au lieu de cela, la politique de contrôle explore d'elle-même comment les mouvements composites peuvent être combinés automatiquement. Nous prenons en compte plusieurs récompenses spécifiques à des tâches et entraînons une seule politique de contrôle multi-objectifs. À cette fin, nous proposons un nouveau cadre d'apprentissage multi-objectifs qui équilibre de manière adaptative l'apprentissage de mouvements disparates provenant de sources multiples et d'objectifs de contrôle orientés vers des buts multiples. De plus, comme les mouvements composites sont généralement des extensions de comportements plus simples, nous introduisons une méthode efficace en termes d'échantillonnage pour entraîner des politiques de contrôle composites de manière incrémentale, dans laquelle nous réutilisons une politique pré-entraînée comme méta-politique et entraînons une politique coopérative qui adapte la méta-politique à de nouvelles tâches composites. Nous démontrons l'applicabilité de notre approche sur une variété de tâches multi-objectifs complexes impliquant à la fois l'imitation de mouvements composites et le contrôle orienté vers des objectifs multiples.
