Strategy and Skill Learning for Physics-based Table Tennis Animation

最近物理角色动画的进展利用深度学习生成敏捷和自然的运动，使角色能够执行后空翻、拳击和网球等动作。然而，像人类一样在动态环境中重现选择和使用多样化的运动技能来解决复杂任务仍然是一个挑战。我们提出了一种基于物理的乒乓球动画的策略和技能学习方法。我们的方法解决了模式崩溃的问题，即角色没有充分利用他们需要执行复杂任务的运动技能。更具体地说，我们展示了一种分层控制系统，用于多样化的技能学习，以及一种有效的决策制定策略学习框架。我们通过与最先进的方法进行比较分析来展示我们方法的有效性，并展示了它在执行各种乒乓球技能方面的能力。我们的策略学习框架通过虚拟现实中的代理-代理交互和人-代理交互进行验证，处理竞争和合作任务。

解决问题：论文试图提出一种解决物理模拟角色动画中技能学习和策略学习的方法，以实现多样化的技能和有效的决策制定。

关键思路：论文提出了一种分层控制系统，用于多样化的技能学习，并提出了一种策略学习框架，用于有效的决策制定。

其他亮点：论文通过与最先进的方法进行比较分析，展示了其在乒乓球技能执行方面的能力。该策略学习框架通过虚拟现实中的代理-代理交互和人-代理交互进行验证，处理竞争性和合作性任务。

相关研究：最近的相关研究包括：DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills、Adversarial Inverse Reinforcement Learning for Skill Determination in Robotics、A Hierarchical Reinforcement Learning Framework for Task-Oriented Visual Navigation、Deep Reinforcement Learning for Robotic Manipulation with Asynchronous Off-Policy Updates