ASE:物理的にシミュレートされたキャラクタのための大規模再利用可能な敵対的スキル埋込み【JST・京大機械翻訳】

Peng Xue Bin; Guo Yunrong; Halper Lina; Levine Sergey; Fidler Sanja

プレプリント

J-GLOBAL ID：202202215837362831 整理番号：22P0344051

ASE:物理的にシミュレートされたキャラクタのための大規模再利用可能な敵対的スキル埋込み【JST・京大機械翻訳】

ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年05月04日プレプリントサーバーでの情報更新日： 2022年05月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

人間によって実証される運動主義の不可解なフェアは,実践と経験の年を通して獲得された汎用運動技能の広大なレパートリーによって,部分的に可能になった。これらのスキルは,人間が複雑なタスクを実行するだけでなく,新しいタスクを学習するとき,それらの行動を導くための強力な事前を提供する。これは,物理ベース特性アニメーションにおける一般的実践であると対照的であり,そこでは,制御ポリシーが各タスクに対してスクラッチから最も典型的に訓練される。本研究では,物理的にシミュレートした特徴のための多目的で再使用可能なスキル埋込みを学習するための大規模データ駆動フレームワークを提案した。提案アプローチは,敵対的模倣学習と教師なし強化学習からの技術を結合して,寿命様行動を生成するスキル埋込みを開発し,一方,新しい下流タスクの使用のための表現を容易に提供する。著者らのモデルは,運動データのタスク特異的アノテーションやセグメンテーションを必要とせずに,非構造化動きクリップの大きなデータセットを用いて訓練できる。大規模並列GPUベースシミュレータを活用することにより,シミュレーション経験の10年以上にわたってスキル埋込みを訓練でき,このモデルがスキルの豊富で多用途なレパートリーを学習することを可能にする。単一事前訓練モデルは,多様な新しいタスクを実行するのに有効に適用できることを示した。また,このシステムは,ユーザが単純な報酬関数を通してタスクを指定することを可能にし,次に,スキル埋込みは,タスク目的を達成するために,複雑で自然な戦略を自動的に合成することを可能にする。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

ロボットの運動・制御 , 人工知能

, , , , , , ,

前のページに戻る