Key points are not available for this paper at this time.
Das Aufstehen aus einem beliebigen gefallen Zustand ist eine grundlegende menschliche Fähigkeit. Bestehende Methoden zum Lernen dieser Fähigkeit erzeugen oft hochdynamische und unregelmäßige Aufstehbewegungen, die nicht den menschlichen Aufstehstrategien entsprechen, oder basieren auf der Verfolgung aufgezeichneter menschlicher Aufstehbewegungen. In diesem Papier präsentieren wir einen schrittweisen Ansatz unter Verwendung von Verstärkungslernen, ohne auf Bewegungsdaten zurückzugreifen. Die Methode nutzt zunächst ein starkes Charaktermodell, das die Entdeckung von Lösungsmodi erleichtert. In einer zweiten Phase wird gelernt, die Steuerpolitik an schwächere Versionen des Charakters anzupassen. Schließlich lernt eine dritte Phase, Steuerstrategien zu entwickeln, die die schwächeren Aufstehbewegungen mit viel langsamerer Geschwindigkeit reproduzieren können. Wir zeigen, dass die Methode über mehrere Durchläufe hinweg eine Vielzahl von Aufstehstrategien entdecken kann und diese mit unterschiedlichen Geschwindigkeiten ausführen kann. Die Ergebnisse führen in der Regel zu Richtlinien, die eine finale Aufstehstrategie verwenden, die in den Erholungsbewegungen aus allen Anfangszuständen häufig ist. Wir finden jedoch auch Richtlinien, für die unterschiedliche Strategien für Bauch- und Rückenlagen bei anfänglichen gefallen Zuständen zu sehen sind. Die erlernten Aufstehsteuerstrategien verfügen oft über eine signifikante statische Stabilität, d.h. sie können an verschiedenen Punkten während der Aufstehbewegung angehalten werden. Wir testen unsere Methode weiterhin in neuartigen eingeschränkten Szenarien, wie z.B. wenn ein Bein und ein Arm im Gips sind.
Tao et al. (Mi,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: