Discovering Fatigued Movements for Virtual Character Animation
作者: Noshaba Cheema, Rui Xu, Nam Hee Kim, Perttu Hämäläinen, Vladislav Golyanik, Marc Habermann, Christian Theobalt, Philipp Slusallek
分类: cs.GR, cs.RO
发布日期: 2023-10-12
备注: 16 pages, 22 figures. To be published in ACM SIGGRAPH Asia Conference Papers 2023. ACM ISBN 979-8-4007-0315-7/23/12
期刊: ACM SIGGRAPH Asia Conference Papers 2023
💡 一句话要点
提出基于深度强化学习的疲劳运动建模方法以增强虚拟角色动画的真实感
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 虚拟角色动画 疲劳建模 深度强化学习 生成对抗模仿学习 三室控制器 物理模拟 交互适应
📋 核心要点
- 现有方法在模拟角色疲劳时面临捕捉成本高和风险大的挑战，导致真实感不足。
- 本文提出基于深度强化学习的控制策略生成方法，首次实现了对疲劳的建模与适应。
- 实验结果表明，代理能够在不同疲劳状态下自适应，且无需依赖疲劳运动的捕捉数据。
📝 摘要（中文）
虚拟角色动画和运动合成在近年来取得了快速发展，尤其是通过广泛的动作捕捉数据集和机器学习的结合。然而，如何在角色执行延续性动作时模拟疲劳仍然是一个挑战。捕捉疲劳运动的过程复杂且风险高，相关研究相对较少。为此，本文提出了一种基于深度强化学习的方法，首次生成全身物理模拟代理的控制策略，使其能够感知累积疲劳。通过生成对抗模仿学习（GAIL）学习专家策略，并利用三室控制器（3CC）模型限制关节驱动空间中的扭矩边界，本文展示了代理能够在不同的疲劳和休息速率下进行交互适应，发现真实的恢复策略，而无需捕捉疲劳运动的数据。
🔬 方法详解
问题定义：本文旨在解决虚拟角色在执行延续性动作时的疲劳建模问题。现有方法在捕捉疲劳运动时面临高成本和高风险，导致真实感不足。
核心思路：论文提出了一种基于深度强化学习的框架，通过生成对抗模仿学习（GAIL）学习专家策略，并利用三室控制器（3CC）模型来限制关节驱动的扭矩边界，从而实现对疲劳的建模。
技术框架：整体架构包括两个主要阶段：首先使用GAIL学习专家策略，随后通过3CC模型学习疲劳策略，限制生成的扭矩边界为非线性、状态和时间依赖的限制。
关键创新：本文的创新在于首次实现了对全身物理模拟代理的疲劳感知控制策略生成，突破了传统方法的局限性，能够在没有捕捉疲劳运动数据的情况下生成真实的疲劳运动。
关键设计：在设计中，采用了三室控制器模型来动态调整扭矩边界，并通过强化学习算法优化策略，确保代理能够在不同疲劳状态下自适应调整动作。具体的损失函数和网络结构细节在论文中进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，代理在不同疲劳和休息速率下能够成功适应，生成的疲劳运动策略与真实运动相符。与基线方法相比，本文提出的方法在疲劳模拟的真实感上有显著提升，具体性能数据在论文中进行了详细比较。
🎯 应用场景
该研究的潜在应用领域包括游戏开发、动画制作和虚拟现实等，能够显著提升虚拟角色的真实感和互动性。通过更真实的疲劳模拟，用户体验将得到增强，未来可能推动更复杂的角色行为生成和人机交互方式的发展。
📄 摘要（原文）
Virtual character animation and movement synthesis have advanced rapidly during recent years, especially through a combination of extensive motion capture datasets and machine learning. A remaining challenge is interactively simulating characters that fatigue when performing extended motions, which is indispensable for the realism of generated animations. However, capturing such movements is problematic, as performing movements like backflips with fatigued variations up to exhaustion raises capture cost and risk of injury. Surprisingly, little research has been done on faithful fatigue modeling. To address this, we propose a deep reinforcement learning-based approach, which -- for the first time in literature -- generates control policies for full-body physically simulated agents aware of cumulative fatigue. For this, we first leverage Generative Adversarial Imitation Learning (GAIL) to learn an expert policy for the skill; Second, we learn a fatigue policy by limiting the generated constant torque bounds based on endurance time to non-linear, state- and time-dependent limits in the joint-actuation space using a Three-Compartment Controller (3CC) model. Our results demonstrate that agents can adapt to different fatigue and rest rates interactively, and discover realistic recovery strategies without the need for any captured data of fatigued movement.