Nov, 2023

基于物理模拟角色的多智能体对抗互动先验的模仿学习

PDF
TL;DR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。
发现论文，激发创造
  • AMP：针对基于物理的角色控制的对抗运动先验的风格化方法

    利用对抗性模仿学习的方法自动选择带有无结构动作片段数据集的物理模拟角色的行为，无需手动设计仿制目标和运动选择机制。该方法在训练对抗性运动先验的同时也自动选择要执行的运动，并能够轻松地适应大型的无结构运动片段数据集，且不需要高级运动规划器或其他任务特定的运动片段注释。在一系列的模拟案例和挑战性的运动控制任务中，我们展示了其有效性。

    Apr, 2021

  • 多智能体生成对抗模仿学习

    本文提出了一种新的适用于多智能体环境的 Multi-Agent 模仿学习框架，它建立在广义反向强化学习的基础上，并引入了实用的多智能体演员 - 评论家算法。该方法可用于多个合作或竞争代理的高维环境中模仿复杂的行为。

    Jul, 2018

  • DeepMimic：基于示例的物理角色技能深度强化学习

    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

  • 通过多个对抗性运动先验在强化学习中进行高级技能训练

    本文提出了一种基于对抗性先验的多样式强化学习方法，通过引入多种风格的先验知识，成功实现了机器人在不同风格下的运动控制和技能学习，无需人工设计奖励函数。

    Mar, 2022

  • 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

  • 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

  • 多模态对抗仿真学习中的游戏角色生成

    本论文提出了一种用于玩家测试的多重个人策略生成的新型模仿学习方法 —— 多模态生成对抗模仿学习（MultiGAIL），其使用辅助输入参数来学习不同的个人策略，基于生成对抗模仿学习的多重判别器作为奖励模型，通过比较代理和不同专家策略来推断出环境奖励，并根据辅助输入对每个判别器的奖励进行加权。实验分析证明了我们的技术在连续和离散行动空间的两个环境中的有效性。

    Aug, 2023

  • 使用局部运动先验学习与环境的物理交互

    本文介绍了一种采用多部分运动先验（PMP）来使角色动画化的方法，并探讨了在交互丰富的场景中实现多样化运动的可能性。

    May, 2023

  • 使用生成对抗网络（GAN）从非结构化演示中进行多模态模仿学习

    本篇论文提出了一种多模态模仿学习框架，能够通过学习技能分段和模仿学习来从未标记和非结构化的示范中分段并模仿技能，从而克服了传统模仿学习方法因要求有结构和隔离示范而限制其可扩展性的问题。广泛的仿真实验证明，我们的方法能够有效地将示范分割成各自的技能，并使用单一的多模态策略学习模仿，实现了多任务执行。

    May, 2017

  • 基于自监督对抗模仿无标签混合动作的多用途技能控制

    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