项目地址:Expressive Humanoid
研究团队提出了一种名为 ExBody(Expressive Whole-Body Control)的控制策略,旨在使人形机器人能够模仿人类的多样化和表达性强的运动。该策略通过利用计算机图形学社区提供的大规模人体运动捕捉数据集,在模拟环境中采用深度强化学习框架进行训练。为了适应现实世界中的机器人硬件限制,ExBody 方法鼓励机器人的上半身模仿参考运动,同时对其两条腿的模仿约束进行放宽,只要求腿部跟随给定的根部运动命令稳健地行走。
在实验部分,研究者们通过在模拟器 Isaac Gym 中进行大规模并行训练,验证了 ExBody 方法的有效性。他们还与其他基线方法进行了比较,包括完全模仿全身运动、随机抽样根部运动命令以及不使用运动捕捉数据集初始化状态等。实验结果表明,ExBody 方法在跟踪表达性目标和根部运动命令方面表现出色,并且能够从大数据集中学习到更鲁棒的策略。此外,该研究还讨论了为什么计算机图形学领域中的物理基础角色动画方法不适合直接应用于现实世界中的人形机器人,以及为什么需要 ExBody 方法来解决这个问题。
论文初读: