물리 기반 캐릭터를 위한 제어 조각 스케줄 학습 딥 Q-러닝을 사용하여

견고한 제어 시스템을 바탕으로 물리 시뮬레이션은 현실적이고 반응적인 방식으로 움직이는 상호작용 가능한 인간 캐릭터의 가능성을 제공합니다. 본 기사에서는 필요에 따라 실행 시간에 짧은 제어 조각을 재배치하는 스케줄링 체계를 학습하는 방법을 설명합니다. 이를 통해 교란에 대응할 수 있는 제어 시스템을 생성하고 조작 및 기타 사용자 상호작용을 허용합니다. 이러한 스케줄러는 공 위에서 걷기, 봉고 보드에서 균형 잡기, 스케이트boarding, 달리기, 밀어내기 회복 및 브레이크댄싱을 포함한 매우 동적인 행동의 폭넓은 제어를 제공합니다. 우리는 중간 크기의 Q-네트워크가 이러한 제어 작업을 위한 스케줄러를 효과적으로 모델링할 수 있으며, 이러한 스케줄러가 딥 Q-러닝 알고리즘에 의해 효율적으로 학습될 수 있음을 보여줍니다.