Expressive Whole-Body Control for Humanoid Robots

我们能否让人形机器人在现实世界中产生丰富、多样和富有表现力的动作？我们提出了在一个人类大小的机器人上学习全身控制策略，以尽可能逼真地模仿人类动作。为了训练这样的策略，我们在强化学习框架下利用了来自图形界的大规模人体动作捕捉数据。然而，直接使用动作捕捉数据集进行模仿学习在真实的人形机器人上并不可行，因为在自由度和物理能力上存在巨大差距。我们的方法“表现全身控制”（Exbody）通过鼓励上半身模仿参考动作，同时放松对双腿的模仿约束，并仅要求它们稳健地跟随给定速度来解决这个问题。通过在模拟和Sim2Real转移中进行训练，我们的策略可以控制人形机器人以不同的风格行走、与人类握手，甚至在现实世界中与人类跳舞。我们在模拟和现实世界中对多种动作进行了广泛的研究和比较，以展示我们方法的有效性。

如何让人形机器人在现实世界中生成丰富、多样、富有表现力的动作？

使用大规模的人体运动捕捉数据，在强化学习框架下训练一个全身控制策略，使人形机器人能够尽可能逼真地模仿人类动作。通过在仿真和Sim2Real转移中训练，实现对人形机器人的控制，包括走路、握手和跳舞等。

使用Exbody方法，通过约束上半身模仿参考动作，同时放宽对双腿的模仿限制，只要求它们能够稳健地跟随给定的速度。论文在仿真和现实世界中进行了广泛的研究和比较，展示了方法的有效性。

近期的相关研究包括：'DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills'和'Learning Agile and Dynamic Motor Skills for Legged Robots'。