学习坐姿：通过分层控制合成人与椅子的交互

AAAIAug, 2019

学习坐姿：通过分层控制合成人与椅子的交互

Learning to Sit: Synthesizing Human-Chair Interactions via Hierarchical Control

Yu-Wei Chao, Jimei Yang, Weifeng Chen, Jia Deng

TL;DR通过深度强化学习基于物理的角色动画的最新进展，本文提出了一种基于层次化强化学习的框架，通过一系列子任务控制器的集合进行训练以模仿简单的可重复使用的动作来完成交互任务的人物动作，实验结果显示本方法优于非层次化和层次化基线的方法，并且可以应用于给定图像输入的动态预测。

Abstract

Recent progress on physics-based character animation has shown impressive breakthroughs on human motion synthesis, through imitating motion capture data via deep reinforcement learning. However, results have most

physics-based character animation deep reinforcement learning hierarchical reinforcement learning motion prediction interactive tasks

发现论文，激发创造

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

在 3D 场景中合成真实可行的人类动作

构建了一个框架，通过分解人 - 场景交互为相互作用和导航两个基本过程，实现了在复杂的三维场景中进行长期交互任务的真实物理模拟角色。

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

人体姿态预测的模仿学习

提出了一种新的基于增强学习的姿势预测模型，结合行为克隆和生成对抗学习，通过这种模型对未来的人体姿势进行预测，实验结果表明该模型在短期和长期预测方面优于现有方法。

Sep, 2019

合成物理特性与场景互动

本文提出了一种使用对抗性模仿学习和强化学习来训练物理模拟角色表现场景交互任务的系统，无需手动注释大型非结构化运动数据，并且在训练过程中随机对象属性和其放置位置，从而能够推广到训练数据集中未呈现的物体和场景，并以自然的角色场景交互方式进行表现。

Feb, 2023

在 3D 室内场景中合成多样的人体动作

提出了一种基于强化学习的方法来处理 3D 室内场景中虚拟人类与环境以及物体的交互，包括生成运动模型、创新的碰撞回避奖励函数、基于标记体和半径场的交互感知奖励函数以及训练策略等多个方面，实验结果表明，该方法在运动的自然性和多样性方面都优于现有的人 - 场景交互综合框架。

May, 2023

学习奔跑挑战：使用深度强化学习合成生理准确运动

通过深度强化学习等优化方法，可以高效地探索大型和复杂的生物力学模型空间，进而实现合成可行的高维生物力学系统运动。