GAMES105笔记与理解（一）
概述
- 计算机角色动画大致可以分为两种，一种是基于物理仿真的，另一种是直接改变物体姿态的，是基于关键帧的。
- low-level control和high-level control的理解：
low-level：每一帧每一个姿态每个关节的控制 —— 精确但低效
high-level：给角色一个高级的目标，比如“到那边拿一杯水”
keyframe animation 技术回顾
- 前向运动学与逆向运动学、关键帧之间的插值方法
- 运动重定向（motion retargeting）：但是不能产生新的动作
- 状态机（motion graphs/state machines）：重用已有的运动数据来产生新的动作，且可以应用更高级的控制信号，但缺点是状态机的构造非常复杂
- motion matching：不是完整地播放一个动作，而是每一帧结束之后通过最近邻搜索找到新的姿态，该姿态满足运动目标、状态连续性
- learning-based approaches/motion generative models：学习动作的生成，只需给数据不同的动作数据就好，让网络去学习动作内在的规律
- 跨模态动作生成（cross-modal motion synthesis）：通过语音生成动作【Ao et al. 2022. Rhythmic Gesticulator. SIGGRAPH Asia 2022】，根据一句话生成骨骼动画【Tevet et al. 2022. MotionCLIP】
physics animation 技术回顾
- Problems of Kinematic Methods
- 物理准确性（穿墙、脚底打滑）
- 环境互动产生的状态（动作会受到环境的影响）
因此也需要physics-based approaches
- physics-based character animation常见模型
生成的不是直接的姿态，而且一些物理控制量，再利用物理仿真去得到姿态。现有的技术也有将motion controll暂时忽略掉，只是考虑动作本身的状态在物理规律下的动作--Ragdoll Simulation
技术回顾
4. “keyframe control”：proportional-derivative(PD) control、Trajectory Crafting
5. Spacetime/Trajectory Optimization：利用计算机生成合理的运动轨迹、可以进行目标重定向；缺点：优化目标函数高维且非常非线性
6. 简化模型（Abstract models）：缺点是实现的运动都比较简单（慢慢的走路）、生成的动作细节不足【Yin et al. 2007 SIMBICON】
7. 强化学习：通过跟环境的交互来更新学习
8. Generative Control Policies：不是生成控制量，而是学习运动生成时的运动规律
