合成物理特性与场景互动
本研究提出了基于物理原理的方法,同时优化场景布局生成器和物理模拟器中的人体移动,以实现可信和真实的交互动作,通过最小化运动追踪误差以自动恢复和生成场景布局,并使用强化学习进行双重优化,通过重新塑造追踪奖励和估计的伪接触标签获得的姿势先验指导来促进优化,使用 SAMP 和 PROX 的动作进行评估,并与基于运动学的先前方法进行比较,展示了物理上可信的场景布局重建。
May, 2024
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
本文提出一种层次生成框架,通过优化多个几何约束和建模场景互动和应用来合成涉及长期 3D 人体动作的逼真生成,并在实验中得出了比之前更好的实验结果。
Dec, 2020
通过与物理互动功能的先进集成,PhyScene 可有效生成具有可互动性的物理场景,与现有的场景合成方法相比,明显优势明显,有望在促进智能体在互动环境中获得丰富技能方面发挥巨大潜力。
Apr, 2024
该论文提出了一个半监督 GAN 系统,用于合成一个角色的反应动作,给定来自另一个角色的活动动作。通过使用基于部分的 LSTM 模块和判别器来实现对复杂的时空信息和不同类型交互的监督,证明了该系统的有效性和鉴别性。
Oct, 2021
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。
Aug, 2019
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
本文提出了一种新框架,将场景和人体运动相互作用考虑在内,使用生成任务将人体运动的分布因子分解,并使用基于 GAN 的学习方法来提高其有效性。文中讨论了两个数据集结果,涵盖了真实和合成环境。
May, 2021