来自加州大学洛杉矶分校的六人团队（全是华人）今天他们公开了他们的机器人学习跳舞和动作的演示，还公开了论文，论文中介绍了一种名为Expressive Whole-Body Control（ExBody）的方法，它旨在让类人机器人（humanoid robots）在现实世界中执行丰富、多样和富有表现力的动作。研究者们通过结合大规模的人类动作捕捉数据和深度强化学习（Reinforcement Learning, RL）框架，训练了一个全身控制策略，使得机器人能够模仿人类的动作，同时保持稳定和适应性。ExBody为类人机器人提供了一种新的控制方法，使其能够执行更加自然和富有表现力的动作，这在机器人技术的发展中是一个重要的进步。
项目主页：https://expressive-humanoid.github.io
主要功能：
- 生成丰富的全身动作：ExBody能够控制机器人执行多种风格的动作，如跳舞、与人类握手，甚至在不同地形上行走时表现出不同的风格。
- 模拟人类动作：通过模仿人类的动作数据，机器人能够展现出类似人类的动态和表情。
主要特点：
- 上半身模仿：ExBody鼓励机器人的上半身模仿参考动作，以增加表现力，同时放松对腿部的动作模仿约束，只要求腿部能够稳健地跟随给定的速度。
- 模拟到现实（Sim2Real）转移：通过在模拟环境中训练，ExBody能够实现从模拟到现实世界的平滑过渡，使得策略在现实世界中同样有效。
工作原理：
- 数据准备：研究者们从图形学社区获取了大规模的人类动作捕捉数据，并将其重新定位到机器人的骨骼结构上。
- 强化学习训练：在模拟环境中，ExBody通过强化学习训练策略，使得机器人能够根据给定的速度和方向指令执行动作，同时保持平衡。
- 目标条件控制：ExBody将动作目标分为表达目标（如手臂位置）和根部运动目标（如速度和方向），并设计奖励函数以跟踪这些目标。
0条评论