让虚拟角色更自然地穿衣服，研究员用AI解决角色和服装之间复杂交互
文章相关引用及参考：packtpub
利用了深度强化学习
（映维网 2018年11月21日）由于角色和服装之间的复杂交互，制作角色穿衣动画十分具有挑战性。由乔治亚理工学院博士生与教授，以及Google Brain研究人员组成的团队采用了深度强化学习（deepRL）来自动发现由神经网络表示的稳定穿衣控制策略。尽管deepRL在学习复杂运动技能方面已经取得了一些成功，但学习算法的数据要求性质与穿衣任务所需的高昂布料模拟计算成本不一致。
名为《Learning to Dress: Synthesizing Human Dressing Motion via Deep Reinforcement Learning（学习穿衣：通过深度强化学习来合成人类穿衣运动》的论文于日前正式发布，并首次证明通过适当设计的输入状态空间和回报函数，研究人员可以将布料模拟整合至deepRL框架并学习稳定的穿衣控制策略。研究人员引入了触觉信息的显著呈现来引导穿衣过程，并在训练期间将其用于回报函数以提供学习信号。
◐ 1. 理解穿衣问题
我们每天都会穿衣搭配，比如说穿上T恤或夹克。但对于机器执行或计算机模拟而言，这是计算成本高昂且复杂的任务。论文描述的解决方案通过物理模拟和机器学习技术来合成动画。物理引擎用于模拟角色运动和布料运动。另一方面，神经网络上的深度强化学习则用来产生角色运动。
◐ 2. 物理引擎和神经网络上的强化学习
论文作者提出了一种触觉信息的突出呈现以引导穿衣过程。然后当训练神经网络时，在回报函数中使用这种触觉信息来提供学习信号。由于任务过于复杂无法一次执行，因此穿衣任务将分成若干子任务，从而实现更好的控制。
为了匹配从一个任务的输出状态分布到下一个任务的输入分布，研究人员提出了一种policy sequencing algorithm（策略排序算法）。相同的方法用于生成用于各种穿着任务的角色控制器，例如穿着T恤和穿着夹克。
......（全文 1128 字，剩余 502 字）
