다양한 동작을 수행할 수 있는 물리 기반 캐릭터 컨트롤러

Abstract

본 논문의 목표는 물리 시뮬레이션 상에서 캐릭터가 여러 가지 액션을 수행할 능력을 갖춘 뒤 유저의 지시에 맞게 동작을 하는 것이다. 유저는 캐릭터에게 명령을 내리면 캐릭터는 현재 자세에서 해당 동작을 수행하기 위해 계획적으로 동작한다. 우리는 별개의 모션 클립 데이터들을 통해 캐릭터가 학습할 수 있는 모션의 가짓수 를 최대한 다양화하고 각 모션들을 높은 퀄리티로 학습시킬 수 있는 프레임 워크를 소개한다. 물리 기반 캐릭터를 컨트롤하기 위한 전체적인 네트워크는 캐릭터의 행 동을 생성하는 심층강화학습(Deep-RL)기반 컨트롤러와 컨트롤러가 알맞은 동작을 생성할 수 있도록 유도하는 Discriminator로 이루어져 있다. Discriminator는 Deep- RL 컨트롤러에서 나온 결과를 가지고 학습하고 Deep-RL 컨트롤러는 Discriminator 에서 나온 결과를 가지고 학습함으로써 두 네트워크가 서로 적대적으로 학습한다. 본 논문은 이러한 접근방식이 효과적임을 입증하기 위해 하나의 캐릭터가 확연히 다른 역동적인 움직임들을 유저의 입력에 맞게 순차적으로 행할 수 있는 유저 상호 작용이 가능한 예시를 보여준다.

The goal of this research is to control a physics-based character which learns several dynamic motor skills. When a user commands a specific motion to the character, the character can design a motion plan to perform the given motion from current pose. We present a network-based learning algorithm that learns various motor skills and transitioning motions between the motor skills from disparate motion clip datasets. The overall framework for our controller is composed of a DeepRL-based controller which generates a character's behavior, and a discriminator which induces the controller to produce proper motions from a user's commands. The discriminator and the controller take outputs from each other as input and improve each performance through adversarial training process. This paper demonstrates the effectiveness of this approach through examples with an interactive character that learns various dynamics motor skills and follow a user command in physics simulation