Fugu-MT 論文翻訳(概要): Realistic Physics Based Character Controller

論文の概要: Realistic Physics Based Character Controller

arxiv url: http://arxiv.org/abs/2006.07508v1
Date: Fri, 12 Jun 2020 23:13:16 GMT
ステータス: 処理完了
システム内更新日: 2022-11-22 03:26:26.146646
Title: Realistic Physics Based Character Controller
Title（参考訳）: リアルな物理ベースのキャラクタコントローラ
Authors: Joe Booth, Vladimir Ivanov
Abstract要約: 2つの材料を用いてキャラクタの自然な見た目制御を生成することができる。本稿では,Unityフレームワークに物理ベースの文字制御のオープンソース実装を導入することにより,研究者とユーザとのギャップを埋めることを目的とする。
参考スコア（独自算出の注目度）: 0.701955947252181
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Over the course of the last several years there was a strong interest in application of modern optimal control techniques to the field of character animation. This interest was fueled by introduction of efficient learning based algorithms for policy optimization, growth in computation power, and game engine improvements. It was shown that it is possible to generate natural looking control of a character by using two ingredients. First, the simulated agent must adhere to a motion capture dataset. And second, the character aims to track the control input from the user. The paper aims at closing the gap between the researchers and users by introducing an open source implementation of physics based character control in Unity framework that has a low entry barrier and a steep learning curve.
Abstract（参考訳）: ここ数年、キャラクターアニメーションの分野に近代的最適制御技術を適用することに強い関心が寄せられた。この関心は、ポリシー最適化のための効率的な学習ベースのアルゴリズムの導入、計算能力の成長、ゲームエンジンの改善によって加速された。 2つの材料を用いて文字の自然な見た目制御を生成できることが示されている。まず、シミュレーションエージェントはモーションキャプチャデータセットに固執しなければならない。第二に、キャラクターはユーザーからのコントロール入力を追跡することを目指している。本稿は,入力障壁の低さと急な学習曲線を有するunityフレームワークにおける物理ベースの文字制御のオープンソース実装を導入することで,研究者とユーザの間のギャップを埋めることを目的とする。

関連論文リスト

MotionRL: Align Text-to-Motion Generation to Human Preferences with Multi-Reward Reinforcement Learning [99.09906827676748]
我々は、テキスト・ツー・モーション生成タスクを最適化するために、Multi-Reward Reinforcement Learning(RL)を利用する最初のアプローチであるMotionRLを紹介する。我々の新しいアプローチは、人間の知覚モデルに関する知識以前の人間の嗜好に基づいて、強化学習を用いて運動生成体を微調整する。さらに、MotionRLは、テキストのアテンデンス、モーションクオリティ、人間の好みの最適性を近似する、新しい多目的最適化戦略を導入している。
論文参考訳（メタデータ） (2024-10-09T03:27:14Z)
Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。 ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
論文参考訳（メタデータ） (2023-12-28T23:34:43Z)
TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。インタラクティブで高品質なアニメーション生成には実用的である。
論文参考訳（メタデータ） (2023-11-28T18:54:16Z)
Neural Categorical Priors for Physics-Based Character Control [12.731392285646614]
運動の質と多様性を大幅に改善した物理に基づく文字制御のための新しい学習フレームワークを提案する。提案手法は強化学習(RL)を用いて,非構造的なモーションクリップからのライフライクな動きを追跡し,模倣する。本研究は,人型文字を用いた総合実験により,下流域の難易度の高い2つの課題,剣のシールドと2人のプレーヤーによるボクシングゲームについて検討する。
論文参考訳（メタデータ） (2023-08-14T15:10:29Z)
DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文参考訳（メタデータ） (2022-03-31T17:59:38Z)
Efficient Hyperparameter Optimization for Physics-based Character Animation [1.2183405753834562]
本稿では,DRLに基づく文字制御システムの高パラメータ最適化のための,新しいカリキュラムベースのマルチフィデリティベイズ最適化フレームワーク(CMFBO)を提案する。提案アルゴリズムは,DeepMimicの著者がリリースした設定と比較して,少なくとも5倍の効率向上が得られることを示す。
論文参考訳（メタデータ） (2021-04-26T06:46:36Z)
PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文参考訳（メタデータ） (2021-04-07T17:59:23Z)
Generating Human-Like Movement: A Comparison Between Two Approaches Based on Environmental Features [4.511923587827301]
環境特性に基づいて人間のような軌道を生成するための2つの新しいアルゴリズムが提示されている。人間の類似性は、最終生成軌道を現実的なものと判断する人間の専門家によってテストされている。予め定義した基準により,実際の軌道に近い軌道を生成するにもかかわらず,特徴ベースA*アルゴリズムは,アトラクションベースA*アルゴリズムと比較して時間効率が低いことを示す。
論文参考訳（メタデータ） (2020-12-11T16:45:32Z)
Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。 NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文参考訳（メタデータ） (2020-12-04T18:59:32Z)
Autonomous Control of a Particle Accelerator using Deep Reinforcement Learning [2.062593640149623]
本稿では,大規模線形粒子加速器の最適制御ポリシーを学習するためのアプローチについて述べる。このフレームワークは、状態とアクション空間の表現にディープニューラルネットワークを使用するAIコントローラで構成されている。最初の結果から,粒子線電流と分布の点で,人間よりも優れたレベルの性能が得られることが示唆された。
論文参考訳（メタデータ） (2020-10-16T04:02:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。