Apr, 2018

DeepMimic：基于示例的物理角色技能深度强化学习

PDF
TL;DR本研究旨在将数据驱动的行为规范与能够在物理模拟中执行类似行为的系统相结合，以实现对扰动和环境变化的逼真响应。通过将运动模仿目标与任务目标相结合，我们可以训练出能够在交互环境中智能反应的角色，例如向所需方向行走或向用户指定目标扔球。同时，本研究探讨了多种集成多个运动片段的方法，以开发出能够执行丰富多样的技能的多才多艺的代理。
character animationreinforcement learningmotion clipsphysical simulationmulti-skilled agents
发现论文，激发创造
  • DiffMimic：可微物理模拟的高效动作模仿

    本文提出了一种名为 DiffMimic 的新型运动模仿方法，利用可微物理模拟器 (DPS) 降低了模仿的时间成本和样本成本，并且克服了现有方法中存在的一些问题。实验结果表明，DiffMimic 在标准测试中具有更好的样本和时间效率，使得物理仿真角色可以在较短的时间内学习到 Backflip 和循环，从而为未来更多的可微动画系统，如可微服装仿真，带来更多研究机会。

    Apr, 2023

  • 通过对抗性模仿从动作捕捉学习人类行为

    本文介绍应用生成对抗性模仿学习方法，通过有限的高维仿人体运动演示数据，训练神经网络策略以产生类人的运动模式，并利用该方法构建子技能策略解决高维身体姿态控制任务。

    Jul, 2017

  • 从视频中使用强化学习进行物理技能训练

    本研究提出了一种基于深度姿态估计和深度强化学习的方法，使得物理模拟的角色能够从公开视频片段中学习技能，并提供了一个快速设计角色控制器的方法，结果是鲁棒的，并能够适应新的环境并预测人类动作.

    Oct, 2018

  • 不同环境中的单刚体角色自适应跟踪

    通过仿真和基于深度强化学习的单刚体角色模拟，本研究提出了一个训练策略以适应各种未知环境变化和控制器转换的方法，并演示了在一个小时内在便携式笔记本上有效训练策略的能力。

    Aug, 2023

  • 深度强化学习中的机械臂控制和抓取行为模仿

    本研究提出了一种采用 3D 人体姿态估计和强化学习相结合的新型运动模仿模型，通过将运动模仿转化为强化学习中的关节角度预测问题，从而极大减少了对大量训练数据的依赖，使得模型能够从仅有几秒钟的视频中学习模仿策略，并展现出强大的泛化能力。该项目可轻松地将人的手臂运动模仿到机械手臂上，表现出卓越的性能和稳健的迁移能力。

    May, 2024

  • 基于深度模仿学习的虚拟现实远程操作复杂操纵任务

    本文介绍了如何利用消费级虚拟现实头显和手部追踪硬件来自然地远程操纵机器人执行复杂任务，并说明了如何使用仿真学习来学习从像素到动作的策略映射。实验展示了我们方法在视觉动作技能学习上的有效性。

    Oct, 2017

  • Actor-Mimic: 深度多任务和转移强化学习

    本研究提出了一种名为 “Actor-Mimic” 的多任务学习和迁移学习方法，通过深度强化学习和模型压缩技术来训练一个单一的策略网络，并通过多个专家教师的指导来学习在不同任务中的行为，并使用先前的知识解决新任务。研究结果表明，该方法的表征能力可以通过无先验的专家指导来推广到新的任务并加速学习。本方法可以应用于多样的问题，为了说明其效果，我们在 Atari 游戏上进行了测试。

    Nov, 2015

  • 基于物理模拟角色的多智能体对抗互动先验的模仿学习

    提出了基于多智能体生成对抗模仿学习的新方法，可以模拟多个基于物理的角色之间的互动与动作，并保留内在风格，通过训练使每个角色模仿与其相关的互动技巧。已通过拳击和全身武术等两种不同战斗风格进行了测试。

    Nov, 2023

  • 仿真游戏：基于模型和模仿学习的深度强化学习混合模型

    基于深度强化学习的自主学习系统在创建具有韧性和高效的网络物理能源系统方面已经确立其基础。然而，大部分现有方法存在两个明显问题：现代无模型算法，如软 Actor Critic，需要大量样本才能学习有意义的策略，并且需要用来对抗概念漂移（如灾难性遗忘）的备用方案。本文介绍了一种将基于模型的深度强化学习与模仿学习相结合的混合代理体系结构的工作进展，以克服这两个问题。

    Apr, 2024

  • 通过模仿动物学习敏捷机器人运动技能

    本研究提出了一种基于模仿学习的系统，使机器人可以通过模仿真实世界的动物学习敏捷的运动技能，并演示了该系统的有效性。

    Apr, 2020