残差强化学习结合动捕数据训练物理角色控制器
Rudy_AA · reddit · 2026-08-14
开发者分享了一项在 Unity 中使用强化学习构建自平衡物理第三人称角色控制器的实验。
- 核心方法：使用 ArticulationBody 关节构建人形角色，通过 Unity ML-Agents 训练。采用残差 RL 方法，以动捕数据驱动的运动学角色作为参考轨迹。
- 训练细节：物理角色持续追踪参考姿态，策略网络在动捕目标基础上输出残差关节修正。动捕提供基础步态，RL 负责学习平衡、动量控制、落脚点和跌倒恢复。
- 奖励函数：结合了关节姿态模仿、末端执行器追踪、质心/根速度、朝向、高度和脚部接触一致性，并对过度动作、抖动和突变进行惩罚。
「研究」频道最新
- DINOv2 作者提出自监督学习新方法 CAPI — iScienceLuvr · 2026-08-14
- 训练多花30%算力，推理效果堪比翻倍投入 — teortaxesTex · 2026-08-14
- Hugging Face 新框架：拆解原子逻辑提升 LLM 推理能力 — Obed Junias · 2026-08-14
- 特征工程为何需要 GPU 加速？迭代搜索成算力瓶颈 — pandeyparul · 2026-08-14
- 将LLM智能体视作非线性RNN：隐藏状态外显化 — akbirthko · 2026-08-14
- DeepSeek将测试框架正式列为研究课题 — HanchungLee · 2026-08-14