Physics-based character control with deep reinforcement learning
Notice bibliographique
Résumé
ABR ÉG ÉDe plus en plus, les jeux vidéo modernes emploient des moteurs physiques pour améliorer leur réalisme et leurs capacités interactives.Généralement, les moteurs physiques sont employés pour l'animation d'objets inertes, alors que les personnages de jeu sont animés de façon cinématique (images clés, capture du mouvement).Ces animations orientées données souffrent d'un manque de versatilité et de réalisme lorsque l'on considère les environnements riches qu'habitent les personnages.Pour atténuer ces problèmes, une solution possible est le développement de contrôleurs physiques animant les personnages via une simulation physique dite active.Nous proposons un cadre d'apprentissage par renforcement pour le contrôle physique de personnages virtuels.Nos contrôleurs sont représentés par l'acteur dans une architecture acteur-critique où ces deux composantes sont implémentées par des réseaux neuronaux.Nous optimisons notre architecture avec la méthode sans Hessian d'optimisation en région de confiance, en utilisant un estimé généralisé de la fonction d'avantage.De plus, nous employons la répétition uniforme de l'expérience pour obtenir une meilleure performance d'apprentissage.Nous entraînons notre architecture en deux étapes.Nous commençons par apprendre un contrôleur initial pour un personnage simplifié.Ensuite, nous utilisons le transfert d'apprentissage hiérarchique pour apprendre un contrôleur complet à partir du contrôleur initial.Nos contrôleurs apprennent à générer des torques en fonction de la cinématique du personnage.Ainsi, ils maintiennent en position debout un personnage 3D à forme humaine ayant 27 degrés de liberté.Nos contributions principales sont les suivantes.Premièrement, nous entraînons des contrôleurs physiques à plusieurs dimensions par apprentissage par renforcement exclusivement, un problème de recherche dans ses balbutiements.En outre, nous le faisons dans un moteur physique orienté jeu vidéo, ce qui est peu utilisé pour l'animation physique de v personnages.De plus, nous améliorons la performance de notre architecture acteur-critique par une nouvelle stratégie d'exploration, la répétition uniforme de l'expérience et le transfert d'apprentissage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».