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