Apprendimento del movimento composito con controllo delle attività
Author
Venue
SIGGRAPH 2023
Abstract
Presentiamo un metodo di deep learning per il controllo del movimento composito e basato sui compiti per personaggi simulati fisicamente. A differenza degli approcci esistenti basati sui dati che utilizzano l'apprendimento per rinforzo per imitare i movimenti di tutto il corpo, noi apprendiamo movimenti disaccoppiati per parti specifiche del corpo da più movimenti di riferimento contemporaneamente e direttamente, sfruttando l'uso di più discriminatori in una configurazione simile a una GAN. In questo processo, non è necessario alcun lavoro manuale per produrre movimenti di riferimento compositi per l'apprendimento. Al contrario, la politica di controllo esplora autonomamente come i movimenti compositi possano essere combinati automaticamente. Teniamo inoltre conto di molteplici ricompense specifiche per il compito e addestriamo un'unica politica di controllo multi-obiettivo. A tal fine, proponiamo un nuovo framework per l'apprendimento multi-obiettivo che bilancia in modo adattivo l'apprendimento di movimenti disparati provenienti da più fonti e di molteplici obiettivi di controllo orientati al risultato. Inoltre, poiché i movimenti compositi sono tipicamente estensioni di comportamenti più semplici, introduciamo un metodo efficiente in termini di campioni per addestrare politiche di controllo composito in modo incrementale, in cui riutilizziamo una politica pre-addestrata come meta-politica e addestriamo una politica cooperativa che adatta quella meta a nuovi compiti compositi. Dimostriamo l'applicabilità del nostro approccio su una varietà di compiti multi-obiettivo impegnativi che coinvolgono sia l'imitazione di movimenti compositi sia il controllo orientato a obiettivi multipli.
