研究显示：物理驱动角色动画在VR中仍难达到参考动画质量
物理驱动角色动画在VR中仍难达到参考动画质量
（映维网Nweon 2026年11月02日）尽管物理驱动角色动画（PBCA）这类技术已可用于虚拟现实，但其生成的动作质量与高质量参考动画之间仍有明显差距。研究人员认为，在生产项目中使用物理驱动控制器应持谨慎态度，并建议在绑定骨骼、带纹理的角色上进行视觉检查，同时结合动画专家评估。
团队关注的问题是：物理驱动控制器能否在VR兼容环境（如Unity3D、WebXR）中生成高质量动作。他们搭建了端到端流程，从FBX动画文件训练控制器策略，并将其部署到Unity3D和WebXR中。训练在GPU上完成，并表示JAX实现可在MuJoCo-MJX中以数分钟完成训练，比传统基于CPU的训练环境快约50倍；推理则在VR兼容环境的CPU上运行。
为评估动画保真度，研究人员采集了八种行走风格，并由专业动画师手动重定向到两个绑定骨骼并带纹理的角色上：一名成年男性和一名女童。随后，他们比较了DeepMimic、AMP和ADD三种物理控制器策略生成的动作与参考动画的差异，并补充了常用的关节误差、位置误差等指标以及新提出的动画保真度指数（afi）。
结果显示，所有受评控制器在Unity3D和WebXR中、全部16种运动上均达到100%存活率。但在动画保真度上，DeepMimic和ADD表现较好，AMP相对较弱；在playground训练流程中，afi排名为DeepMimic优于ADD、ADD优于AMP。团队指出，ADD虽然缩小了与DeepMimic的差距，但在“受伤”这类不对称行走动作中，ADD策略在两个角色上均无法前进。
研究者进一步分析了处理流程各阶段的保真度损失。重定向、从MJX到MuJoCo C的sim2sim迁移、以及从Python环境到Unity3D环境的迁移都会带来损失，但最终实现中sim2sim和引擎迁移的差异已可忽略，主要损失发生在训练阶段。研究人员认为，控制器在训练早期为保持平衡而学会了胸部大幅运动，而这些动作有助于避免摔倒，但并未出现在参考动画中；后续的模仿奖励或对抗奖励未能完全覆盖这些早期学到的动作。
专家视觉检查也支持这一结论。参与重定向和清理动画的专业动画师在对比后发现，即使表现最好的策略也会让胸部移动过多，并连带影响手臂和头部；部分动作还出现向两侧的颠簸、夸张运动、轻微脚滑以及步态不自然等问题。团队指出，这些不准确之处在绑定骨骼并带纹理的角色上更容易被发现，而常用的任务级指标难以捕捉动画师肉眼可见的异常。
研究人员还比较了不同训练流程。modular-agents流程中，DReCon策略的动画保真度优于DeepMimic；而playground流程中训练的DeepMimic与modular-agents中的DeepMimic结果在统计上无显著差异，他们认为更快的GPU训练并未牺牲动画质量。此外，WebXR渲染与Unity3D环境的结果具有可比性，可用于视觉对比。
相关论文：Bringing physics-based controller policies to virtual reality
基于上述结果，团队建议：在需要高质量动画时，应尽量匹配布娃娃与骨架比例，由专业人员手动重定向参考动作，并在绑定骨骼、带纹理的角色上检查控制器输出，而非只查看布娃娃可视化；同时，常用客观指标应辅以动画专家评估。研究者总结说，当前物理控制器策略生成的动作虽能让人识别出参考运动，但仍无法可靠达到参考动画的质量，这一差距难以通过现有训练方式消除，未来需要探索新的训练策略。
