PhysHOI: Physics-Based Imitation of Dynamic Human-Object Interaction

人类经常与物体进行互动。使一个类人机器人学习人机互动（HOI）是未来智能动画和智能机器人系统的关键步骤。然而，物理学基础的HOI的最近进展需要仔细设计特定任务的奖励，使系统不可扩展和劳动密集。本文关注于动态HOI模仿：通过模仿运动学HOI演示来教授类人机器人动态互动技能。由于身体部位与物体之间的相互作用的复杂性和缺乏动态HOI数据，这是非常具有挑战性的。为了解决上述问题，我们提出了PhysHOI，这是第一个基于物理学的全身HOI模仿方法，无需特定任务的奖励设计。除了人类和物体的运动学HOI表示之外，我们还引入了接触图来明确建模身体部位和物体之间的接触关系。还设计了接触图奖励，这被证明对于精确的HOI模仿至关重要。基于这些关键设计，PhysHOI可以简单而有效地模仿各种HOI任务，无需先前知识。为了弥补该领域缺乏动态HOI场景的不足，我们介绍了BallPlay数据集，其中包含八种全身篮球技能。我们在各种HOI任务上验证了PhysHOI，包括全身抓握和篮球技能。

如何通过模仿人类动作来教授机器人进行动态人-物互动（HOI）技能？当前物理学基础的HOI需要精心设计的任务特定奖励，这使得系统不可扩展和劳动密集。

PhysHOI是一种基于物理学的全身HOI模仿方法，无需特定任务设计奖励。除了人类和物体的运动学HOI表示外，还引入了接触图来明确建模身体部位和物体之间的接触关系。设计了接触图奖励，对于精确的HOI模仿至关重要。基于这些关键设计，PhysHOI可以简单而有效地模仿各种HOI任务，而无需先前的知识。

该论文提出了PhysHOI方法，这是一种基于物理学的全身HOI模仿方法，无需特定任务设计奖励。该方法使用接触图来明确建模身体部位和物体之间的接触关系，并设计了接触图奖励，对于精确的HOI模仿至关重要。作者还介绍了BallPlay数据集，其中包含8种全身篮球技能。作者在各种HOI任务上验证了PhysHOI，包括全身抓握和篮球技能。

在HOI领域，最近的相关研究包括《Learning to Poke by Poking: Experiential Learning of Intuitive Physics》、《Synthetic Grasping: Learning to Grasp from Synthetic Training Data》和《Interaction Networks for Learning about Objects, Relations and Physics》等。