Hand-Object Interaction Controller (HOIC): Deep Reinforcement Learning for Reconstructing Interactions with Physics

本文介绍了一种新的深度强化学习方法，通过单个RGBD相机忠实地重建了我们日常活动中重要的手动物体操作。首先，我们提出了对象补偿控制，建立了直接对象控制，使网络训练更加稳定。同时，通过利用补偿力和扭矩，我们无缝地将简单的点接触模型升级为更具物理可信度的表面接触模型，进一步提高了重建精度和物理正确性。实验表明，本研究在不涉及任何启发式物理规则的情况下，仍然成功地将物理引入手-物体交互的重建中，这是一种难以用深度强化学习模仿的复杂动作。我们的代码和数据可在https://github.com/hu-hy17/HOIC上获得。

本论文旨在使用深度强化学习方法，通过RGBD相机重建手-物体交互运动，从而解决手-物体交互运动的复杂性和物理正确性问题。

本论文的关键思路是通过物体补偿控制建立直接物体控制，使网络训练更加稳定。同时，通过利用补偿力和力矩，将简单的点接触模型升级为更具物理可信度的表面接触模型，进一步提高重建精度和物理正确性。

本论文成功地将物理引入到手-物体交互运动的重建中，而不需要涉及任何启发式的物理规则。实验结果表明，本文的方法在重建复杂运动方面具有很好的表现，研究者还提供了代码和数据集。

最近的相关研究包括《End-to-End Learning of Object Grasping for Soft Robotic Hands》和《Learning Synergies between Pushing and Grasping with Self-supervised Deep Reinforcement Learning》。