Pembelajaran Gerakan Komposit dengan Kontrol Tugas
Author
Venue
SIGGRAPH 2023
Abstract
Kami memaparkan metode pembelajaran mendalam untuk pengendalian gerak komposit dan berbasis tugas pada karakter yang disimulasikan secara fisik. Berbeda dengan pendekatan berbasis data yang ada yang menggunakan pembelajaran penguatan untuk meniru gerak seluruh tubuh, kami mempelajari gerak yang terpisah untuk bagian tubuh tertentu dari beberapa gerak referensi secara bersamaan dan langsung dengan memanfaatkan penggunaan beberapa diskriminator dalam pengaturan mirip GAN. Dalam proses ini, tidak diperlukan pekerjaan manual untuk menghasilkan gerakan referensi komposit untuk pembelajaran. Sebaliknya, kebijakan kontrol secara mandiri mengeksplorasi cara menggabungkan gerakan komposit secara otomatis. Kami juga memperhitungkan berbagai imbalan spesifik tugas dan melatih satu kebijakan kontrol multi-objektif. Untuk tujuan ini, kami mengusulkan kerangka kerja baru untuk pembelajaran multi-objektif yang secara adaptif menyeimbangkan pembelajaran gerakan yang berbeda dari berbagai sumber dan tujuan kontrol yang berorientasi pada tujuan. Selain itu, karena gerakan komposit umumnya merupakan perluasan dari perilaku yang lebih sederhana, kami memperkenalkan metode yang efisien dalam penggunaan sampel untuk melatih kebijakan kontrol komposit secara bertahap, di mana kami menggunakan kebijakan yang telah dilatih sebelumnya sebagai kebijakan meta dan melatih kebijakan kooperatif yang menyesuaikan kebijakan meta tersebut untuk tugas komposit baru. Kami menunjukkan kelayakan pendekatan kami pada berbagai tugas multi-tujuan yang menantang yang melibatkan baik peniruan gerakan komposit maupun kontrol yang berorientasi pada tujuan ganda.
