Jun, 2024

RACon: 基于检索的模拟角色运动控制

PDF
TL;DR在计算机动画中，使用逼真的动作来驱动模拟角色具有挑战性。为了解决这些问题，我们引入了 RACon: 检索增强的模拟角色运动控制。我们的端到端层次强化学习方法利用了检索器和运动控制器。检索器以任务导向的方式从用户指定的数据库中搜索运动专家，从而增强对用户控制的响应能力。然后，选定的运动专家和操纵信号传递给控制器以驱动模拟角色。此外，设计了一个检索增强的鉴别器以稳定训练过程。我们的方法在运动控制的质量和数量上都超过了现有技术，在我们的实证研究中得到了证明。此外，通过切换广泛的检索数据库，它可以在运行时适应不同的运动类型。
computer animationgenerative modelsreinforcement learningsimulated character locomotion controlmotion experts
发现论文，激发创造
  • CARL：基于强化学习的可控四足机器人运动智能体

    本文提出了一种名为 CARL 的四足代理，它能够通过高级指令进行控制并在动态环境中自然地反应，同时通过生成对抗网络和深度强化学习来适应高级控制，从而使代理能够产生平稳的过渡并从未见过的外部扰动中恢复，并通过添加导航模块使代理可以在动态环境中自主行动。

    May, 2020

  • 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

  • 基于模拟运动演示的机器人操纵强化学习

    本文提出了一种新的机器人操作方法，该方法利用了物体本身的运动学习，通过使用物理模拟器中的对象运动策略生成辅助奖励，称为模拟运动演示奖励（SLDRs），该方法可以在不需要人类演示或昂贵成本的情况下，通过强化学习来掌握机器人操作技能，从而实现多物体堆放和非刚性物体操作等任务的更高成功率和更快学习。

    Oct, 2019

  • Sim-to-Real: 四足机器人学习敏捷运动

    本文提出了一种利用深度强化学习技术自动化四足机器人运动设计过程的系统，能够从简单的奖励信号中学习四足运动，并可提供开环参考进行学习过程的控制，采用系统辨识来改进物理模拟器，利用物理环境随机与扰动设计控制器，并在物理模拟器中进行评估，成功在现实世界中部署。

    Apr, 2018

  • 用于自主驾驶的联邦迁移强化学习

    使用联邦学习的方法，将基于模拟器的强化学习模型实现动态的知识提取和共享，促进自动驾驶和机器人应用中的知识共享，进而在实时碰撞避免任务中实现更好的表现。

    Oct, 2019

  • RealGen：基于检索增强生成的可控交通场景

    通过检索基增强的情境学习框架 RealGen，在交通场景生成领域中实现的灵活性和可控性，为生成自动驾驶车辆训练和评估的复杂行为启发了新的方向。

    Dec, 2023

  • 采用分层式 Sim2Real 实现的多智能体运动操控

    采用强化学习方法通过层次性模拟实现在多移动机器人协作下的操纵行为。

    Aug, 2019

  • CtRL-Sim: 反应性和可控驾驶代理的离线强化学习

    在这项研究中，我们提出了一种名为 CtRL-Sim 的方法，它利用退化条件离线强化学习和物理增强的 Nocturne 模拟器，通过处理真实世界的驾驶数据来有效生成具有反应性和可控性的交通代理。我们展示了 CtRL-Sim 能够高效生成多样且逼真的安全关键场景，并提供对代理行为的精细控制。此外，我们还表明，通过用模型生成的模拟安全关键场景对模型进行微调可以增强这种可控性。

    Mar, 2024

  • 基于检索的长尾视觉识别分类

    提出了 Retrieval Augmented Classification (RAC) 方法，并应用于解决长尾分类问题，通过显式引入检索模块，使用非参数化外部内存信息显著提高了 Places365-LT 和 iNaturalist-2018 数据集的性能，尤其是在尾部类别上，为计算机视觉体系结构中更有效地利用外部存储器提供了替代方案。

    Feb, 2022

  • 通过模仿动物学习敏捷机器人运动技能

    本研究提出了一种基于模仿学习的系统，使机器人可以通过模仿真实世界的动物学习敏捷的运动技能，并演示了该系统的有效性。

    Apr, 2020