$\require{mediawiki-texvc}$

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.

심층 강화 학습을 활용한 단일 강체 캐릭터의 모션 생성
Motion Generation of a Single Rigid Body Character Using Deep Reinforcement Learning 원문보기

컴퓨터그래픽스학회논문지 = Journal of the Korea Computer Graphics Society, v.27 no.3, 2021년, pp.13 - 23  

안제원 (한양대학교 지능융합학과) ,  구태홍 (한양대학교 컴퓨터 소프트웨어학과) ,  권태수 (한양대학교 컴퓨터 소프트웨어학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 단일 강체 모델(single rigid body)의 무게 중심(center of mass) 좌표계와 발의 위치를 활용하여 캐릭터의 동작을 생성하는 프레임워크를 제안한다. 이 프레임워크를 사용하면 기존의 전신 동작(full body)에 대한 정보를 사용할 때 보다 입력 상태 벡터(input state)의 차원을 줄임으로써 강화 학습의 속도를 개선할 수 있다. 또한 기존의 방법보다 학습 속도를 약 2 시간(약 68% 감소) 감소시켰음에도 기존의 방법 대비 최대 7.5배(약 1500 N)의 외력을 더 견딜 수 있는 더욱 견고한(robust) 모션을 생성할 수 있다. 본 논문에서는 이를 위해 무게 중심의 다음 좌표계를 구하기 위해 중심 역학(centroidal dynamics)을 활용하였고, 이에 필요한 매개 변수(parameter)들과 다음 발의 위치와 접촉력 계산에 필요한 매개 변수들을 구하는 정책(policy)의 학습을 심층 강화 학습(deep reinforcement learning)을 사용하여 구현하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we proposed a framework that generates the trajectory of a single rigid body based on its COM configuration and contact pose. Because we use a smaller input dimension than when we use a full body state, we can improve the learning time for reinforcement learning. Even with a 68% reduc...

주제어

#심층 강화 학습   #중심 역학 모델   #일체형 강체   #물리 기반 모델   #무게 중심  

참고문헌 (34)

  1. Peng, Xue Bin, et al. "Deepmimic: Example-guided deep reinforcement learning of physics-based character skills." ACM Transactions on Graphics (TOG), vol. 37, no. 4, pp. 1-14, 2018. 

  2. Coros, Stelian, Philippe Beaudoin, and Michiel Van de Panne. "Generalized biped walking control." ACM Transactions on Graphics (TOG), vol. 29, no. 4, pp. 1-9, 2010. 

  3. Ye, Yuting, and C. Karen Liu. "Optimal feedback control for character animation using an abstract model." ACM SIGGRAPH 2010 papers, pp. 1-9, 2010. 

  4. Yin, KangKang, Kevin Loken, and Michiel Van de Panne. "Simbicon: Simple biped locomotion control." ACM Transactions on Graphics(TOG), vol. 26, no. 3, pp. 105-es, 2007. 

    상세보기 crossref

  5. Agrawal, Shailen, Shuo Shen, and Michiel van de Panne. "Diverse motion variations for physics-based character animation." Proceedings of the 12th ACM SIGGRAPH/Eurographics Symposium on Computer Animation, pp. 37-44, 2013. 

  6. Ha, Sehoon, and C. Karen Liu. "Iterative training of dynamic skills inspired by human coaching techniques." ACM Transactions on Graphics (TOG), vol. 34, no. 1, pp. 1-11, 2014. 

  7. Wang, Jack M., et al. "Optimizing locomotion controllers using biologically-based actuators and objectives." ACM Transactions on Graphics (TOG), vol. 31, no. 4, pp. 1-11, 2012. 

  8. Da Silva, Marco, Yeuhi Abe, and Jovan Popovic. "Simulation of human motion data using short-horizon model-predictive control." Computer Graphics Forum. Oxford, UK. Blackwell Publishing Ltd, vol. 27, no. 2, pp. 371-380, 2008. 

  9. Lee, Yoonsang, Sungeun Kim, and Jehee Lee. "Data-driven biped control." ACM SIGGRAPH 2010 papers, pp. 1-8, 2010. 

  10. Lee, Yoonsang, et al. "Locomotion control for many-muscle humanoids." ACM Transactions on Graphics (TOG), vol. 33, no. 6, pp. 1-11, 2014. 

  11. Mordatch, Igor, Emanuel Todorov, and Zoran Popovic. "Discovery of complex behaviors through contact-invariant optimization." ACM Transactions on Graphics (TOG), vol. 31, no. 4, pp. 1-8, 2012. 

  12. Wampler, Kevin, Zoran Popovic, and Jovan Popovic. "Generalizing locomotion style to new animals with inverse optimal regression." ACM Transactions on Graphics (TOG), vol. 33, no. 4, pp. 1-11, 2014. 

  13. Hamalainen, Perttu, Joose Rajamaki, and C. Karen Liu. "Online control of simulated humanoids using particle belief propagation." ACM Transactions on Graphics (TOG), vol. 34, no. 4, pp. 1-13, 2015. 

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

  15. Lee, Yongjoon, et al. "Motion fields for interactive character locomotion." ACM SIGGRAPH Asia 2010 papers, pp. 1-8, 2010. 

  16. Levine, Sergey, et al. "Continuous character control with low-dimensional embeddings." ACM Transactions on Graphics (TOG), vol. 31, no. 4, pp. 1-10, 2012. 

    상세보기 crossref

  17. Coros, Stelian, Philippe Beaudoin, and Michiel Van de Panne. "Robust task-based control policies for physics-based characters." ACM SIGGRAPH Asia 2009 papers, pp. 1-9, 2009. 

  18. Peng, Xue Bin, Glen Berseth, and Michiel Van de Panne. "Dynamic terrain traversal skills using reinforcement learning." ACM Transactions on Graphics (TOG), vol. 34, no. 4, pp. 1-11, 2015. 

  19. Brockman, Greg, et al. "Openai gym." arXiv preprint arXiv:1606.01540, 2016. 

  20. Duan, Yan, et al. "Benchmarking deep reinforcement learning for continuous control." International conference on machine learning. PMLR, pp. 1329-1338, 2016. 

  21. Liu, Libin, and Jessica Hodgins. "Learning to schedule control fragments for physics-based characters using deep q-learning." ACM Transactions on Graphics (TOG), vol. 36, no. 3, pp. 1-14, 2017. 

  22. Peng, Xue Bin, Glen Berseth, and Michiel Van de Panne. "Terrain-adaptive locomotion skills using deep reinforcement learning." ACM Transactions on Graphics (TOG), vol. 35, no. 4, pp. 1-12, 2016. 

  23. Rajeswaran, Aravind, et al. "Learning complex dexterous manipulation with deep reinforcement learning and demonstrations." arXiv preprint arXiv:1709.10087, 2017. 

  24. Teh, Yee Whye, et al. "Distral: Robust multitask reinforcement learning." arXiv preprint arXiv:1707.04175, 2017. 

  25. Orin, David E., Ambarish Goswami, and Sung-Hee Lee. "Centroidal dynamics of a humanoid robot." Autonomous robots, vol. 35, no. 2, pp. 161-176, 2013. 

    상세보기 crossref

  26. Dai, Hongkai, Andres Valenzuela, and Russ Tedrake. "Whole-body motion planning with centroidal dynamics and full kinematics." 2014 IEEE-RAS International Conference on Humanoid Robots. IEEE, pp. 295-302, 2014. 

  27. Winkler, Alexander W., et al. "Gait and trajectory optimization for legged systems through phase-based end-effector parameterization." IEEE Robotics and Automation Letters, vol. 3, no. 3, pp. 1560-1567, 2018. 

    상세보기 crossref

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

  29. Xie, Zhaoming, et al. "GLiDE: Generalizable Quadrupedal Locomotion in Diverse Environments with a Centroidal Model." arXiv preprint arXiv:2104.09771, 2021. 

  30. Schulman, John, et al. "Proximal policy optimization algorithms." arXiv preprint arXiv:1707.06347, 2017. 

  31. Abe, Yeuhi, Marco Da Silva, and Jovan Popovic. "Multiobjective control with frictional contacts." Proceedings of the 2007 ACM SIGGRAPH/Eurographics symposium on Computer animation, pp. 249-258, 2007. 

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

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

  34. Ellis, Jane, et al. "CDM: Taking stock and looking forward." Energy policy, vol. 35, no. 1, pp. 15-28, 2007. 

    상세보기 crossref

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