MuscleVAE: Model-Based Controllers of Muscle-Actuated Characters

本文提出了一个仿真和控制框架，用于为肌肉驱动的角色生成生物力学合理的动作。我们将疲劳动力学模型3CC-r模型融入广泛采用的山型肌肉模型中，以模拟肌肉疲劳的发展和恢复，从而通过长时间活动引起的疲劳积累创造出自然的动作演化风格。为了解决高自由度肌肉骨骼系统控制的难题，我们提出了一种基于PD控制的新型肌肉空间控制策略。我们的仿真和控制框架有助于训练基于肌肉的运动控制生成模型，我们称之为MuscleVAE。通过利用变分自编码器（VAEs），MuscleVAE能够从大规模非结构化运动数据集中学习丰富灵活的技能潜在表示，不仅编码运动特征，还编码肌肉控制和疲劳特性。我们展示了MuscleVAE模型可以通过基于模型的方法高效地训练，从而产生高保真度的动作，并实现各种下游任务。

该论文旨在提出一个仿生学合理的肌肉驱动角色运动的仿真和控制框架。主要解决如何控制高自由度的肌肉骨骼系统，以及如何将肌肉控制和疲劳特性编码到运动模型中的问题。

论文提出了一种基于PD控制的肌肉空间控制策略，并将疲劳动力学模型集成到Hill型肌肉模型中，以模拟肌肉疲劳的发展和恢复。此外，利用变分自编码器（VAEs）训练了一个肌肉运动控制的生成模型MuscleVAE，可以学习一个丰富和灵活的技能潜在表示。

该论文的亮点包括：1.提出了一种新的肌肉空间控制策略；2.集成了疲劳动力学模型，使得模拟的运动更加真实；3.使用VAEs训练了一个肌肉运动控制的生成模型MuscleVAE，可以学习肌肉控制和疲劳特性；4.实验结果表明，该模型可以产生高保真度的运动，并且可以用于多种下游任务。

在这个领域中，最近的相关研究包括：1.《DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills》；2.《Neural Kinematic Networks for Unsupervised Motion Retargetting》；3.《Learning to Simulate Complex Physics with Graph Networks》。