$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

확률적 모델예측제어를 이용한 물리기반 제어기 지도 학습 프레임워크
A Supervised Learning Framework for Physics-based Controllers Using Stochastic Model Predictive Control 원문보기

컴퓨터그래픽스학회논문지 = Journal of the Korea Computer Graphics Society, v.27 no.1, 2021년, pp.9 - 17  

한다성 (한동대학교)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 확률적 모델예측제어(model predictive control) 기법을 이용하여 예제 동작 데이터가 주어지면 물리 기반 시뮬레이션 환경에서 그 동작을 모방할 수 있는 캐릭터 동작 제어기를 빠르게 학습할 수 있는 간편한 지도 학습(supervised learning) 프레임워크를 제안한다. 제안된 프레임워크는 크게 학습 데이터 생성과 오프라인 학습의 두 컴포넌트로 구성된다. 첫번째 컴포넌트는 예제 동작 데이터가 주어지면 확률적 모델예측제어를 통해 그 동작 데이터를 추적하기 위한 최적 제어기를 캐릭터의 현재 상태로부터 시작하여 가까운 미래 상태까지의 시간 윈도우에 대해 주기적으로 업데이트하면서 그 최적 제어기를 통해 캐릭터의 동작을 확률적으로 제어한다. 이러한 주기적인 최적 제어기의 업데이트와 확률적 제어는 주어진 예제 동작 데이터를 모방하는 동안 캐릭터가 가질 수 있는 다양한 상태들을 효과적으로 탐색하게 하여 지도 학습에 유용한 학습 데이터를 수집할 수 있게 해준다. 이렇게 학습 데이터가 수집되면, 오프라인 학습 컴포넌트에서는 그 수집된 데이터를 정규화 시켜서 데이터에 내제된 크기와 단위의 차이를 조정하고 지도 학습을 통해 제어기를 위한 간단한 구조의 인공 신경망을 학습시킨다. 걷기 동작과 달리기 동작에 대한 실험은 본 논문에서 제안한 학습 프레임워크가 물리 기반 캐릭터 동작 제어기를 빠르고 효과적으로 생성할 수 있음을 보여준다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we present a simple and fast supervised learning framework based on model predictive control so as to learn motion controllers for a physic-based character to track given example motions. The proposed framework is composed of two components: training data generation and offline learni...

주제어

#캐릭터 애니메이션   #물리 기반 모션 제어   #모델예측제어   #지도 학습  

참고문헌 (25)

  1. Peng, Xue Bin, Glen Berseth, KangKang Yin, and Michiel Van De Panne. "Deeploco: Dynamic locomotion skills using hierarchical deep reinforcement learning." ACM Transactions on Graphics (TOG) 36, no. 4 (2017): 1-13. 

  2. Peng, Xue Bin, Pieter Abbeel, Sergey Levine, and Michiel van de Panne. "Deepmimic: Example-guided deep reinforcement learning of physics-based character skills." ACM Transactions on Graphics (TOG) 37, no. 4 (2018): 1-14. 

  3. Lee, Seunghwan, Moonseok Park, Kyoungmin Lee, and Jehee Lee. "Scalable muscle-actuated human simulation and control." ACM Transactions on Graphics (TOG) 38, no. 4 (2019): 1-13. 

  4. Won, Jungdam, Deepak Gopinath, and Jessica Hodgins. "A scalable approach to control diverse behaviors for physically simulated characters." ACM Transactions on Graphics (TOG) 39, no. 4 (2020): 33-1. 

  5. Merel, Josh, Saran Tunyasuvunakool, Arun Ahuja, Yuval Tassa, Leonard Hasenclever, Vu Pham, Tom Erez, Greg Wayne, and Nicolas Heess. "Catch & Carry: reusable neural controllers for vision-guided whole-body tasks." ACM Transactions on Graphics (TOG) 39, no. 4 (2020): 39-1. 

  6. Han, Daseong, Haegwang Eom, Junyong Noh, and Joseph S. Shin. "Data­guided model predictive control based on smoothed contact dynamics." In Computer Graphics Forum, vol. 35, no. 2, pp. 533-543. 2016. 

    상세보기 crossref

  7. da Silva, Marco, Yeuhi Abe, and Jovan Popovic. "Interactive simulation of stylized human locomotion." In ACM SIGGRAPH 2008 papers, pp. 1-10. 2008. 

  8. Mordatch, Igor, Martin De Lasa, and Aaron Hertzmann. "Robust physics-based locomotion using low-dimensional planning." In ACM SIGGRAPH 2010 papers, pp. 1-8. 2010. 

  9. Tassa, Yuval, Tom Erez, and Emanuel Todorov. "Synthesis and stabilization of complex behaviors through online trajectory optimization." In 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems, pp. 4906-4913. IEEE, 2012. 

  10. Hamalainen, Perttu, Sebastian Eriksson, Esa Tanskanen, Ville Kyrki, and Jaakko Lehtinen. "Online motion synthesis using sequential monte carlo." ACM Transactions on Graphics (TOG) 33, no. 4 (2014): 1-12. 

  11. Kwon, Taesoo, and Jessica K. Hodgins. "Control Systems for Human Running using an Inverted Pendulum Model and a Reference Motion Capture Sequence." In Symposium on Computer Animation, pp. 129-138. 2010. 

  12. Kwon, Taesoo, and Jessica K. Hodgins. "Momentum-mapped inverted pendulum models for controlling dynamic human motions." ACM Transactions on Graphics (TOG) 36, no. 1 (2017): 1-14. 

  13. Kwon, Taesoo, Yoonsang Lee, and Michiel Van De Panne. "Fast and flexible multilegged locomotion using learned centroidal dynamics." ACM Transactions on Graphics (TOG) 39, no. 4 (2020): 46-1. 

  14. Han, Daseong, Junyong Noh, Xiaogang Jin, Joseph S. Shin, and Sung Y. Shin. "On­line real­time physics­based predictive motion control with balance recovery." In Computer Graphics Forum, vol. 33, no. 2, pp. 245-254. 2014. 

    상세보기 crossref

  15. Han, Daseong, Junyong Noh, and Joseph S. Shin. "Physics­based trajectory optimization with automatic time warping." Computer Animation and Virtual Worlds 29, no. 3-4 (2018). 

  16. 한다성, 노준용, 신성용. "분석적으로 미분 가능한 시스템 동역학을 이용한 온라인 동작 합성 기법." 한국컴퓨터그래픽스학회논문지 25(3), pp. 133-142, 2019. 

    원문보기 상세보기 crossref

  17. Hong, Seokpyo, Daseong Han, Kyungmin Cho, Joseph S. Shin, and Junyong Noh. "Physics-based full-body soccer motion control for dribbling and shooting." ACM Transactions on Graphics (TOG) 38, no. 4 (2019): 1-12. 

  18. Eom, Haegwang, Daseong Han, Joseph S. Shin, and Junyong Noh. "Model Predictive Control with a Visuomotor System for Physics-based Character Animation." ACM Transactions on Graphics (TOG) 39, no. 1 (2019): 1-11. 

  19. Jacobson, David H., and David Q. Mayne. "Differential dynamic programming." (1970). 

  20. Levine, Sergey, and Vladlen Koltun. "Guided policy search." In International Conference on Machine Learning, pp. 1-9. 2013. 

  21. Zhang, Tianhao, Gregory Kahn, Sergey Levine, and Pieter Abbeel. "Learning deep control policies for autonomous aerial vehicles with mpc-guided policy search." In 2016 IEEE international conference on robotics and automation (ICRA), pp. 528-535. IEEE, 2016. 

  22. Peng, Xue Bin, Pieter Abbeel, Sergey Levine, and Michiel van de Panne. "Deepmimic: Example-guided deep reinforcement learning of physics-based character skills." ACM Transactions on Graphics (TOG) 37, no. 4 (2018): 1-14. 

  23. Holden, Daniel. "Robust solving of optical motion capture data by denoising." ACM Transactions on Graphics (TOG) 37, no. 4 (2018): 1-12. 

  24. Holden, Daniel, Taku Komura, and Jun Saito. "Phase-functioned neural networks for character control." ACM Transactions on Graphics (TOG) 36, no. 4 (2017): 1-13. 

  25. Abadi, Martin, Paul Barham, Jianmin Chen, Zhifeng Chen, Andy Davis, Jeffrey Dean, Matthieu Devin et al. "Tensorflow: A system for large-scale machine learning." In 12th {USENIX} symposium on operating systems design and implementation ({OSDI} 16), pp. 265-283. 2016. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로