我们提出了一个高效且有效的框架 C・ASE，它学习基于物理的角色的条件对抗性技能嵌入。我们的物理模拟角色可以学习多种技能，同时通过直接操作要执行的技能实现可控性。C・ASE 将异质的技能运动划分为包含相同样本的不同子集，用于训练低级条件模型以学习条件行为分布。训练过程中结合了聚焦技能采样、骨骼残余力和逐元素特征掩码，以平衡不同复杂度的多样技能、减轻动力学不匹配以掌握敏捷动作，以及捕捉更一般的行为特征。一旦训练完成，条件模型可以生成高度多样且逼真的技能，超过了现有的最先进模型，并可用于各种下游任务。特别是，明确的技能控制手柄允许高级策略或用户指导具有所需技能规格的角色，我们证明这对于交互式角色动画是有优势的。

Sep, 2023

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

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

本文提出了一种协作对抗式学习方法，用于从包含不同状态转移模式的未标记数据集中最大化它们的可辨识度，获得可控技能集的单一多才策略。实验结果表明，借助生成式对抗模仿学习框架中的无监督技能发现，出现了成功完成任务的新颖有用技能。最后，在名为 Solo 8 的敏捷四足机器人上测试了所获得的多才多艺策略，并呈现出编码在演示中的各种不同技能的忠实复制。

Sep, 2022

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。

Apr, 2018

在这篇论文中，介绍了一种名为 XSkill 的模仿学习框架，通过从未标记的人类和机器人操纵视频中发现一种跨体现性表示，使用条件扩散策略将该表示转移到机器人行为，并通过组合学习到的技能完成由人类提示视频指定的未见任务，进而解决了直接从非结构化人类视频中提取可重用机器人操作技能的挑战。实验结果表明，XSkill 的性能更好。

Jul, 2023

通过开放词汇物理技能学习，在物理基于运动生成中，使用传统的基于物理的方法往往难以适应新的情景。为了解决这个限制，我们提出了一种名为 AnySkill 的层次化方法，该方法通过遵循开放词汇指令学习物理上可行的相互作用。我们的方法首先通过模仿学习训练低级控制器来开发一组原子动作。在接收到开放词汇文本指令后，AnySkill 采用高级策略来选择和整合这些原子动作，以最大化代理渲染图像与文本之间的 CLIP 相似度。我们方法的一个重要特点是在高级策略中使用基于图像的奖励，这使得代理能够学习与对象的相互作用，无需手动设计奖励。我们展示了 AnySkill 生成逼真自然的运动序列，以响应长度不同的未见指令情况，使其成为第一个能够开放词汇物理技能学习的互动人形智能体的方法。

Mar, 2024

我们提出了一种通用的运动表示方法，该方法涵盖了针对基于物理的人形控制的全面的运动技能范围。

Oct, 2023

本文提出了一个基于技能差距图的球员理解框架，其中球员和他们的输赢关系建模为一个无向加权图，球员嵌入通过基于随机游走的图嵌入方法从这个图中学习，可以反映球员之间相对的技能水平；在文末还介绍了 Graphical Elo（GElo），一种评估球员技能水平的方法在公共数据集上经过实验，证明了球员嵌入在竞技游戏和赛事中的潜在应用。

Apr, 2023

语言驱动的机器人技能研究中，通过利用大规模语言模型的高级推理能力应用于低级机器人控制，继续面临的挑战是获取多样化的基础技能。本研究介绍了一种完全由语言模型驱动的技能发现框架，通过提供的场景描述和机器人配置生成任务提案，并逐步获得新的技能来完成任务，使用强化学习过程以及独立的视觉 - 语言模型确保学到的行为的可靠性和可信度，从而使机器人能够高效地提出和完成高级任务。

May, 2024