PDP: Physics-Based Character Animation via Diffusion Policy

生成能够与环境进行物理交互的多样化和逼真的人类运动仍然是角色动画中一个具有挑战性的研究领域。与此同时，机器人学界提出的基于扩散的方法已经展示了捕捉高度多样化和多模态技能的能力。然而，直接训练扩散策略通常会导致高频、欠驱动控制任务（例如双足行走）的不稳定运动，因为快速积累的复合误差会将代理推离最优训练轨迹。关键的想法在于，不仅使用RL策略提供最优轨迹，而且使用它来提供在次优状态下的校正动作，使策略有机会纠正由环境刺激、模型误差或模拟中的数值误差引起的错误。我们的方法，基于物理的角色动画通过扩散策略（PDP），将强化学习（RL）和行为克隆（BC）结合起来，创建一个用于基于物理的角色动画的强大扩散策略。我们在扰动恢复、通用运动跟踪和基于物理的文本到动作合成上展示了PDP。

论文旨在解决物理角色动画中多模态技能的生成问题，特别是对于高频、欠驱动控制任务（如双足行走）的稳定性问题。

该论文提出了一种结合强化学习和行为克隆的方法，通过训练扩散策略，使其能够在非最优状态下提供纠正动作，从而解决了模型误差、数值误差等问题导致的运动不稳定性。

论文在扰动恢复、通用运动跟踪和基于物理的文本到动作合成等方面进行了实验验证，展示了该方法的有效性。此外，论文还开源了代码和数据集，为后续研究提供了便利。

近期的相关研究包括：'Learning Agile and Dynamic Motor Skills for Legged Robots'、'DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills'、'Sim-to-Real Transfer of Robotic Control with Dynamics Randomization'等。