Aprendizado de movimentos compostos com controle de tarefas
Author
Venue
SIGGRAPH 2023
Abstract
Apresentamos um método de aprendizado profundo para controle de movimento composto e orientado por tarefas para personagens simulados fisicamente. Em contraste com as abordagens existentes baseadas em dados que utilizam aprendizado por reforço para imitar movimentos de corpo inteiro, aprendemos movimentos desacoplados para partes específicas do corpo a partir de múltiplos movimentos de referência simultaneamente e diretamente, aproveitando o uso de múltiplos discriminadores em uma configuração semelhante a uma GAN. Nesse processo, não há necessidade de qualquer trabalho manual para produzir movimentos de referência compostos para o aprendizado. Em vez disso, a política de controle explora por si mesma como os movimentos compostos podem ser combinados automaticamente. Além disso, levamos em conta múltiplas recompensas específicas para cada tarefa e treinamos uma única política de controle multiobjetiva. Para isso, propomos uma nova estrutura para o aprendizado multiobjetivo que equilibra de forma adaptativa o aprendizado de movimentos díspares de múltiplas fontes e múltiplos objetivos de controle direcionados a metas. Além disso, como movimentos compostos são tipicamente ampliações de comportamentos mais simples, introduzimos um método eficiente em termos de amostragem para treinar políticas de controle compostas de maneira incremental, no qual reutilizamos uma política pré-treinada como a meta-política e treinamos uma política cooperativa que adapta a meta-política para novas tarefas compostas. Demonstramos a aplicabilidade de nossa abordagem em uma variedade de tarefas multiobjetivas desafiadoras envolvendo tanto a imitação de movimentos compostos quanto o controle direcionado a múltiplos objetivos.
