論文の概要: ADD: Physics-Based Motion Imitation with Adversarial Differential Discriminators

• arxiv url: http://arxiv.org/abs/2505.04961v1
• Date: Thu, 08 May 2025 05:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.758013
• Title: ADD: Physics-Based Motion Imitation with Adversarial Differential Discriminators
• Title（参考訳）: ADD: 逆微分器を用いた物理に基づく運動模倣
• Authors: Ziyu Zhang, Sergey Bashkirov, Dun Yang, Michael Taylor, Xue Bin Peng,
• Abstract要約: 本稿では,モーショントラッキングを含む多目的最適化問題に広く適用可能な,新しい対向多目的最適化手法を提案する。 我々の技術はキャラクターが様々なアクロバティックな行動やアジャイルな行動を再現し、最先端のモーショントラッキング手法に匹敵する品質を達成できることを示した。
• 参考スコア（独自算出の注目度）: 9.410279213317649
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-objective optimization problems, which require the simultaneous optimization of multiple terms, are prevalent across numerous applications. Existing multi-objective optimization methods often rely on manually tuned aggregation functions to formulate a joint optimization target. The performance of such hand-tuned methods is heavily dependent on careful weight selection, a time-consuming and laborious process. These limitations also arise in the setting of reinforcement-learning-based motion tracking for physically simulated characters, where intricately crafted reward functions are typically used to achieve high-fidelity results. Such solutions not only require domain expertise and significant manual adjustment, but also limit the applicability of the resulting reward function across diverse skills. To bridge this gap, we present a novel adversarial multi-objective optimization technique that is broadly applicable to a range of multi-objective optimization problems, including motion tracking. The proposed adversarial differential discriminator receives a single positive sample, yet is still effective at guiding the optimization process. We demonstrate that our technique can enable characters to closely replicate a variety of acrobatic and agile behaviors, achieving comparable quality to state-of-the-art motion-tracking methods, without relying on manually tuned reward functions. Results are best visualized through https://youtu.be/rz8BYCE9E2w.
• Abstract（参考訳）: 複数の項の同時最適化を必要とする多目的最適化問題は、多くのアプリケーションに共通している。 既存の多目的最適化手法は、しばしば関節最適化目標を定式化するために手動で調整された集約関数に依存する。 このような手作り手法の性能は、注意深い重量選択、時間と労力のかかるプロセスに大きく依存している。 これらの制限は、物理的にシミュレートされた文字に対する強化学習に基づくモーショントラッキングの設定にも生じる。 このようなソリューションは、ドメインの専門知識と重要な手作業の調整を必要とするだけでなく、様々なスキルにまたがって得られる報酬関数の適用性を制限している。 このギャップを埋めるために,動作追跡を含む多目的最適化問題に広く適用可能な,新しい多目的最適化手法を提案する。 提案した逆微分分極器は, 一つの正のサンプルを受信するが, 最適化プロセスの導出には有効である。 我々の技術は,手動で調整された報酬関数に頼ることなく,キャラクターが様々なアクロバティックな行動やアジャイルな行動を忠実に再現し,最先端のモーショントラッキング手法に匹敵する品質を達成できることを実証する。 結果はhttps://youtu.be/rz8BYCE9E2wで視覚化される。

関連論文リスト

• Continual Optimization with Symmetry Teleportation for Multi-Task Learning [73.28772872740744]
  マルチタスク学習(MTL)は、1つのモデルを用いて複数のタスクの同時学習を可能にする。 シンメトリ・テレポーテーション(COST)を用いた連続最適化に基づく新しい手法を提案する。 COSTは、競合の勾配を減らすために、損失ランドスケープに別の損失等価点を求める。
  論文  参考訳（メタデータ） (2025-03-06T02:58:09Z)
• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• DiffVL: Scaling Up Soft Body Manipulation using Vision-Language Driven Differentiable Physics [69.6158232150048]
  DiffVLは、非専門家がソフトボディ操作タスクをコミュニケーションできるようにする手法である。 大規模言語モデルを用いてタスク記述を機械解釈可能な最適化対象に翻訳する。
  論文  参考訳（メタデータ） (2023-12-11T14:29:25Z)
• SE(3)-DiffusionFields: Learning smooth cost functions for joint grasp and motion optimization through diffusion [34.25379651790627]
  本研究では,データ駆動型SE(3)コスト関数を拡散モデルとして学習する手法を提案する。 我々は6DoFグルーピングのためのSE(3)拡散モデルの学習に重点を置いており、関節グルーピングと運動最適化のための新しい枠組みを生み出している。
  論文  参考訳（メタデータ） (2022-09-08T14:50:23Z)
• Multi-Objective Hyperparameter Optimization in Machine Learning -- An Overview [10.081056751778712]
  本稿では,多目的ハイパーパラメータ最適化の基礎を導入し,応用MLにおけるその有用性を動機づける。 進化的アルゴリズムの領域とベイズ最適化の両方から、既存の最適化戦略を広範囲に調査する。 動作条件,予測時間,スパースネス,フェアネス,解釈可能性,ロバストネスなどの目的を考慮し,複数の特定のMLアプリケーションにおけるMOOの有用性を解説する。
  論文  参考訳（メタデータ） (2022-06-15T10:23:19Z)
• Leveraging Trust for Joint Multi-Objective and Multi-Fidelity Optimization [0.0]
  本稿では,ベイズ的多目的・多忠実度最適化(MOMF)に対する新しいアプローチについて検討する。 複数目的とデータソースの同時最適化を支援するために,信頼度基準の革新的利用を提案する。 本手法はプラズマ物理学や流体力学などの分野におけるシミュレーション問題の解法に適用可能である。
  論文  参考訳（メタデータ） (2021-12-27T20:55:26Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。