HIL:用于动态运动控制的混合仿真学习方法

《ACM Transactions on Graphics》:HIL: Hybrid Imitation Learning for Dynamic Athletic Control

【字体: 大 中 小 】 时间:2026年07月20日 来源:ACM Transactions on Graphics 13.0

编辑推荐:

  摘要AI总结要查看此由AI生成的总结,您需要拥有高级访问权限。了解更多登录摘要摘要基于深度强化学习的数据驱动方法已成为开发控制器的主流技术,这类控制器能让在物理环境中模拟的角色展现出自然的人类行为。然而,这些数据驱动方法往往难以适应新环境,也无法组合多种技能来完成更复杂的与环境交

  

摘要

摘要

基于深度强化学习的数据驱动方法已成为开发控制器的主流技术,这类控制器能让在物理环境中模拟的角色展现出自然的人类行为。然而,这些数据驱动方法往往难以适应新环境,也无法组合多种技能来完成更复杂的与环境交互的任务。为解决这些问题,我们提出了一种混合模仿学习框架,该框架结合了用于精确复制技能的动作跟踪技术与对抗性模仿学习技术,从而提升系统的适应性及技能组合能力,实现高效动态控制,以应对高难度动作任务。这一混合学习框架通过并行多任务环境与统一观测空间来实现,利用目标条件化表示方式促进不同并行环境之间的知识共享。我们在跑酷式障碍物穿越任务和方向控制任务中验证了该框架的有效性。我们的框架能够生成统一的控制器,不仅能保留参考动作数据的自然性,还能有效泛化到具有挑战性的新环境中。通过程序生成的测试任务与基准测试对比表明,与以往基于学习的方法相比,我们的方法提升了动作质量,增加了技能多样性,并且在任务完成度方面更具竞争力。相关结果可通过https://jiashunwang.github.io/HIL查看。

AI总结

AI生成的总结(实验性)

此总结是通过自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性,以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充,而作者提供的摘要仍是文章的核心总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处,可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结,您需要拥有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号