AdaptNet: Adaptação de políticas para controle de personagens baseado em física
Author
Venue
SIGGRAPH Ásia 2023
Abstract
Inspirado na capacidade humana de adaptar habilidades ao aprender novas, este artigo apresenta o AdaptNet, uma abordagem para modificar o espaço latente de políticas existentes, permitindo que novos comportamentos sejam aprendidos rapidamente a partir de tarefas semelhantes, em comparação com o aprendizado a partir do zero. Com base em um controlador de aprendizado por reforço, o AdaptNet utiliza uma hierarquia de dois níveis que amplia a incorporação de estado original para suportar mudanças modestas em um comportamento e modifica ainda mais as camadas da rede de políticas para realizar mudanças mais substanciais. A técnica se mostra eficaz para adaptar controladores baseados em física existentes a uma ampla gama de novos estilos de locomoção, novas metas de tarefas, mudanças na morfologia dos personagens e mudanças extensas no ambiente. Além disso, ela exibe um aumento significativo na eficiência de aprendizagem, conforme indicado pelos tempos de treinamento bastante reduzidos quando comparados ao treinamento a partir do zero ou ao uso de outras abordagens que modificam políticas existentes. O código está disponível em https://motion-lab.github.io/AdaptNet.
