3D
過於僵化、過於強硬、過於聰明：評估動作控制政策的根本問題
Author
Venue
SCA 2023
Abstract
深度強化的學習（DRL）方法在基於物理的角色的熟練動作合成方面展現了令人印象深刻的成果；儘管這些方法在追蹤參考動作或完成複雜任務方面表現優異，但在評估動作的自然度時卻引發了若干疑慮。 本文針對 DRL 控制策略所產生的動作，在視覺外觀之外，針對衡量其自然度的特定量化指標進行初步研究。具體而言，我們提議研究控制策略的剛性，預期這將影響角色在受到外部擾動時的行為表現。其次，我們建立兩項強度基準，用以評估關節扭矩的使用情況，並與人類表現進行比較。 第三，我們提議研究變異性，以揭示控制策略中不自然的精確度，並探討其與真實人類動作的差異。總而言之，我們的目標是建立可重複的衡量標準，用以評估由深度學習強化學習（DRL）方法產生的控制策略之自然度，並針對最先進的系統提出一系列比較結果。最後，我們針對這些維度提出簡單的修改方案，以提升其真實感。
