《DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills（基于物理的角色技能示例引导深度强化学习）》 SIGGRAPH 2018 技术论文！

SIGGRAPH 2018: DeepMimic paper (main video)

内容

角色动画长期以来的目标，是将数据驱动的动作规范与能够在物理模拟中执行类似动作的系统相结合，从而使其能够对扰动和环境变化作出真实反应。我们展示了，广为人知的强化学习（RL）方法可以应用于学习鲁棒的控制策略，以模仿广泛的动作片段示例，包括学习复杂的恢复动作、适应形态变化以及实现用户指定的目标。该方法可处理关键帧动作、动作捕捉的翻转和旋转等高度动态动作，以及面向目标的动作。通过将动作模仿目标与任务目标相结合，可以训练出在交互式设置中智能响应的角色，例如通过朝期望方向行走，或通过向用户指定的目标投球来实现。因此，该方法利用 RL 方法和基于物理的动画所提供的灵活性和通用性，将使用动作片段定义所需风格和外观的便利性与动作质量结合起来。此外，为了开发能够执行各种技能的多技能智能体，我们研究了将多个片段整合到学习过程中的不同方法。我々は、複数のキャラクター（人间、アトラス机器人、二足步行的恐龙、龙）を使用し、歩行、杂技、武术などの様々なスキルを使用して結果を実証します。RL 方法和基于物理的动画所提供的灵活性和通用性。进一步地，为了开发能够执行丰富多样技能的多技能智能体，我们研究了将多个片段整合到学习过程中的不同方法。我们使用多个角色（人类、Atlas 机器人、双足恐龙、龙），并通过行走、杂技、武术等各种技能来展示结果。RL 方法和基于物理的动画所提供的灵活性和通用性。进一步地，为了开发能够执行丰富多样技能的多技能智能体，我们研究了将多个片段整合到学习过程中的不同方法。我们使用多个角色（人类、Atlas 机器人、双足恐龙、龙），并通过行走、杂技、武术等各种技能来展示结果。

Google翻译

即便历经逆境仍能不断行动的角色，真是难以言喻……
不过，确实很厉害。

相关链接

DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills
Towards a Virtual Stuntman – The Berkeley Artificial Intelligence Research Blog