Learning Physics-Based Motion Style with Nonlinear Inverse Optimization

[source] siggraph

[year] 2005

 

再次看的时候，才发现原来是05年的文章，05年人们已经在研究逆向优化这种东西了，这与08年时候IRL的文章思路是类似的。

IO问的问题是我让什么最优化了？

IRL问：估值函数是什么？

而本文针对动作风格，还要考虑其它方面。

风格：

各种证据

归为对关节的偏爱

 

相关工作

Robot Controller Simulation

Spacetime constraints framework

     Nonlinear

     对high-energy有效，对low-energy走样了！！

Learn simple models of style from examples

 

Overview

    把locomotion通过认为是一个在约束C下的能量最优的过程。计算新动作X时，优化E(X;\theta),其中\theta表示各种风格参数

 

 

Motion Dynamics

   Lagrangian Equation of motion

   公式1，左边可得，右边含若干项: muscle , gravity, passive spring, dampers, ground contact, shoe spring

    passive joint force是其中比较麻烦的

    Environment Constrain Forces： Coulomb’s Friction model

最终可以求出肌肉力

Motion Synthesis by minimizing muscle usage

    表示为公式12,其中各参数为IO所求

    再考虑物理真实性，为公式13

    再考虑约束，为公式14

 

 

NIO

    使观察最优与目标所求最优间接近

    成为优化问题

 

 

 

 

仍是变为优化问题，尽管原问题为IO, 手段就那么多，关键在于问题是什么，解决结果如何

 

 

待考证：

能否在设计控制器时，即把动作风格考虑进去？

学习动作风格