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
我们提出了一种能够在真实世界中让机器人产生丰富、多样和表现力强的动作的方法，通过在一个人型机器人上学习一个整体控制策略，尽可能地模仿人类的真实动作。通过在强化学习框架中利用图形社区的大规模人体动作捕捉数据来训练这种策略，但是直接使用动作捕捉数据集进行模仿学习可能无法适用于真实的人形机器人，因为在自由度和物理能力方面存在巨大差距。我们的方法（Exbody）通过鼓励上半身模仿参考动作，而放松对其两条腿的模仿约束，只要求它们能够稳定地跟随给定速度来解决这个问题。通过在模拟和实际场景中进行训练和仿真转移，我们的策略可以控制一个人形机器人以不同的风格行走，与人类握手，甚至与人类共舞。我们进行了广泛的研究和比较，展示了我们方法的有效性。
Feb, 2024
本研究提出了一种利用强化学习、物理模拟器和稀疏传感器数据实时将人类运动重定向到具有不同骨架结构的角色的方法，并仅需要运用运动捕捉数据进行培训，同时探讨了该框架中的重要组件。
Jul, 2023
本文提出基于比例微分 (PD) 控制的强化学习策略，从第一人称视角视频中学习估计和预测 3D 人体姿势，同时提出了基于视频条件的递归控制技术和基于价值函数的失效保护机制来提高运行效率，并在控制数据和实际场景中得到了优异的实验结果。
Jun, 2019
在此项工作中，我们使用基于任务的高层控制器与低层运动控制器结合的体系结构，开发了一个控制物理仿真的复杂人形智能体的系统，以解决需要在环境中移动并从 RGB 摄像机中检测物体的任务。
Nov, 2018
利用神经概率运动原始系统可以离线训练解决灵活控制高维度物理仿真人形机器人的问题，同时最大限度地压缩数千个专家策略并学习运动原始嵌入空间。
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
利用物理模拟器来捕捉人类运动的动力学约束条件，通过基于 SDF 的交互约束来获得准确参考运动，然后使用采样分布进行运动控制，并训练所需的分布先验，从而可以捕捉到具有地形交互、人体形状变化和多样化行为的物理合理的人类运动。
Mar, 2022
本文介绍了一种通过有约束的强化学习算法实现对双足机器人进行基于物理的高质量动作模仿的框架，强调将视觉和物理现实性相结合对于成功实现动作模仿的重要性。
May, 2024
本研究提出了一种基于数据驱动的联合人机系统的共享控制范式，旨在不限制用户的能力以实现未指定的行为，大幅提高系统安全性和用户满意度。