AdaptNet: Adattamento delle politiche per il controllo dei personaggi basato sulla fisica
Author
Venue
SIGGRAPH Asia 2023
Abstract
Ispirato dalla capacità umana di adattare le competenze nell'apprendimento di nuove abilità, questo articolo presenta AdaptNet, un approccio per modificare lo spazio latente delle politiche esistenti al fine di consentire l'apprendimento rapido di nuovi comportamenti da compiti simili, rispetto all'apprendimento da zero. Basandosi su un dato controllore di apprendimento per rinforzo, AdaptNet utilizza una gerarchia a due livelli che potenzia l'incorporamento dello stato originale per supportare cambiamenti modesti in un comportamento e modifica ulteriormente i livelli della rete delle politiche per apportare cambiamenti più sostanziali. La tecnica si è dimostrata efficace per adattare i controllori basati sulla fisica esistenti a un'ampia gamma di nuovi stili di locomozione, nuovi obiettivi di attività, cambiamenti nella morfologia dei personaggi e cambiamenti estesi nell'ambiente. Inoltre, mostra un aumento significativo dell'efficienza di apprendimento, come indicato dai tempi di addestramento notevolmente ridotti rispetto all'addestramento da zero o all'utilizzo di altri approcci che modificano le politiche esistenti. Il codice è disponibile all'indirizzo https://motion-lab.github.io/AdaptNet.
