แข็งเกินไป แข็งแกร่งเกินไป ฉลาดเกินไป: การประเมินปัญหาพื้นฐานของนโยบายการควบคุมการเคลื่อนไหว
Author
Venue
SCA 2023
Abstract
วิธีการเรียนรู้แบบเสริมแรงลึก (DRL) ได้แสดงให้เห็นผลลัพธ์ที่น่าประทับใจในการสังเคราะห์การเคลื่อนไหวที่มีความชำนาญของตัวละครที่มีพื้นฐานทางกายภาพ และแม้ว่าวิธีการเหล่านี้จะทำงานได้ดีในแง่ของการติดตามการเคลื่อนไหวอ้างอิงหรือการบรรลุภารกิจที่ซับซ้อน แต่ก็มีข้อกังวลหลายประการเมื่อประเมินความเป็นธรรมชาติของการเคลื่อนไหว ในบทความนี้ เราทำการศึกษาเบื้องต้นเกี่ยวกับตัวชี้วัดเชิงปริมาณเฉพาะสำหรับการวัดความเป็นธรรมชาติของการเคลื่อนไหวที่สร้างขึ้นโดยนโยบายการควบคุม DRL นอกเหนือจากลักษณะที่ปรากฏทางสายตา กล่าวคือ เราเสนอให้ศึกษาความแข็งของนโยบายการควบคุม โดยคาดหวังว่ามันจะส่งผลต่อวิธีที่ตัวละครจะแสดงพฤติกรรมเมื่อมีสิ่งรบกวนจากภายนอก ประการที่สอง เราได้กำหนดเกณฑ์มาตรฐานสองประการสำหรับความแข็งแรงที่ช่วยให้สามารถประเมินการใช้แรงบิดของข้อต่อเมื่อเปรียบเทียบกับประสิทธิภาพของมนุษย์ ประการที่สาม เราเสนอการศึกษาความแปรปรวนเพื่อเปิดเผยความแม่นยำที่ไม่เป็นธรรมชาติของนโยบายการควบคุมและเปรียบเทียบกับการเคลื่อนไหวของมนุษย์จริง โดยสรุป เรามุ่งมั่นที่จะสร้างมาตรการที่สามารถทำซ้ำได้เพื่อประเมินความเป็นธรรมชาติของนโยบายการควบคุมที่สร้างโดยวิธีการ DRL และเรานำเสนอชุดการเปรียบเทียบจากระบบที่ทันสมัยที่สุด สุดท้าย เราเสนอการปรับเปลี่ยนอย่างง่ายเพื่อปรับปรุงความสมจริงในแกนเหล่านี้
