Dissertação de Mestrado
Instituição: UFC - Universidade Federal do Ceará
Programa: Programa de Pós-Graduação em Computação
Orientador(a): Rubens Fernandes Nunes
Ano: 2024
País: Brasil
Resumo
Produzir movimentos naturais baseados em física para personagens articulados é um problema desafiador. Deep Reinforcement Learning (DRL) tem sido explorado como uma solução, mas seu uso isolado ainda resulta em movimentos não naturais e requer ajustes significativos. Fornecer novas ferramentas de controle apropriadas é necessário para guiar melhor o processo de aprendizagem e permitir que o animador tenha mais controle e confiabilidade sobre a animação resultante. Este trabalho aborda esse desafio propondo ferramentas para facilitar o processo de treinamento e fornecer novas formas de controle. As ferramentas propostas consistem na generalização do controle em tempo real, recompensas condicionais, restrições de simetria e uma interface de usuário adaptada às generalizações propostas. A generalização do controle em tempo real permite que qualquer parâmetro seja ajustado dinamicamente, aumentando a flexibilidade. As recompensas condicionais introduzem tolerâncias para que as condições possam ser satisfeitas simultaneamente, simplificando a concorrência entre recompensas e evitando a necessidade de ajustes precisos dos pesos. As restrições de simetria reduzem o espaço de ações, evitando movimentos descoordenados, e oferecem uma camada adicional de controle. Uma interface de usuário demonstra essas generalizações, permitindo que os parâmetros de treinamento e animação sejam especificados mais facilmente sem necessidade de programar. As ferramentas de controle propostas se mostraram úteis e promissoras, de acordo com resultados obtidos que foram compatíveis com as escolhas realizadas pela interface e que foram capazes de se adaptar ao ambiente.
Abstract
Producing natural, physics-based movements for articulated characters is a challenging problem. Deep Reinforcement Learning (DRL) has been explored as a solution, but its isolated use still results in unnatural movements and requires significant adjustments. Providing appropriate new control tools is necessary to better guide the learning process and allow the animator to have more control and reliability over the resulting animation. This work addresses this challenge by proposing tools to facilitate the training process and provide new forms of control. The proposed tools consist of the generalization of real-time control, conditional rewards, symmetry constraints, and a user interface adapted to the proposed generalizations. The generalization of real-time control allows any parameter to be adjusted dynamically, increasing flexibility. Conditional rewards introduce tolerances so that conditions can be met simultaneously, simplifying the competition between rewards and avoiding the need for precise weight adjustments. Symmetry constraints reduce the action space, preventing uncoordinated movements, and offer an additional layer of control. A user interface demonstrates these generalizations, allowing training and animation parameters to be specified more easily without the need for programming. The proposed control tools have proven to be useful and promising, according to results obtained that were compatible with the choices made by the interface and that were able to adapt to the environment.
Palavras-chave: animação de personagens baseada em física, controle de movimento, aprendizado por reforço profundo, controle em tempo real, Dissertação.
Para o texto completo, clique aqui!
