核心概念
人型ロボットに豊かで多様な表現を可能にするための方法を提案し、実世界での効果的な動きを実現する。
摘要
本研究では、大規模な人間の動作データを利用して、Reinforcement Learningフレームワークで全身制御ポリシーを学習し、人間らしい動きを実現する手法が提案されています。この手法は、シミュレーションとSim2Real転送で訓練されたポリシーが、異なるスタイルで歩行したり、人間と握手したり、踊ったりすることができることを示しています。また、大規模な運動データセットから学ぶことがポリシー探索や堅牢性向上にどのように役立つかも明らかにされています。さらに、他のアプローチと比較して本手法が優れていることも示されており、豊富なトレーニングデータセットから学ぶことの重要性が強調されています。
統計資料
780個の参照動作クリップ
19DoF(自由度)の実際のロボットハードウェア
引述
"Can we enable humanoid robots to generate rich, diverse, and expressive motions in the real world?" - Abstract
"Our method Expressive Whole-Body Control (ExBody) tackles this problem by encouraging the upper humanoid body to imitate a reference motion." - Content