Muito rígido, muito forte, muito inteligente: avaliando problemas fundamentais nas políticas de controle de movimento
Author
Venue
SCA 2023
Abstract
Os métodos de aprendizagem por reforço profunda (DRL) têm demonstrado resultados impressionantes na síntese de movimentos habilidosos de personagens baseados em física e, embora esses métodos tenham bom desempenho em termos de rastreamento de movimentos de referência ou realização de tarefas complexas, surgem várias preocupações ao avaliar a naturalidade do movimento. Neste artigo, realizamos um estudo preliminar de métricas quantitativas específicas para medir a naturalidade do movimento produzido por políticas de controle de DRL além de sua aparência visual. Ou seja, propomos estudar a rigidez da política de controle, antecipando que ela influenciará o comportamento do personagem na presença de perturbações externas. Em segundo lugar, estabelecemos duas linhas de base para a força que permitem avaliar o uso de torques articulares em comparação com o desempenho humano. Em terceiro lugar, propomos o estudo da variabilidade para revelar a precisão não natural das políticas de controle e como elas se comparam ao movimento humano real. Em suma, nosso objetivo é estabelecer medidas repetíveis para avaliar a naturalidade das políticas de controle produzidas por métodos de DRL, e apresentamos um conjunto de comparações com sistemas de última geração. Por fim, propomos modificações simples para melhorar o realismo nesses eixos.
