A reinforcement learning approach to synthesizing climbing movements

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

1 Sitaatiot (Scopus)
63 Lataukset (Pure)

Abstrakti

This paper addresses the problem of synthesizing simulated humanoid climbing movements given the target holds, e.g., by the player of a climbing game. We contribute the first deep reinforcement learning solution that can handle interactive physically simulated humanoid climbing with more than one limb switching holds at the same time. A key component of our approach is Self-Supervised Episode State Initialization (SS- ESI), which ensures diverse exploration and speeds up learning, compared to a baseline approach where the climber is reset to an initial pose after failure. Our results also show that training with a multi-step action parameterization can produce both smoother movements and enable learning from slightly fewer explored actions at the cost of increased simulation time per action.

AlkuperäiskieliEnglanti
OtsikkoIEEE Conference on Games 2019, CoG 2019
Sivumäärä7
ISBN (elektroninen)9781728118840
DOI - pysyväislinkit
TilaJulkaistu - 1 elokuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE Conference on Games - London, Iso-Britannia
Kesto: 20 elokuuta 201923 elokuuta 2019

Julkaisusarja

NimiIEEE Conference on Computatonal Intelligence and Games
KustantajaIEEE
Vuosikerta2019-August
ISSN (painettu)2325-4270
ISSN (elektroninen)2325-4289

Conference

ConferenceIEEE Conference on Games
LyhennettäCoG
Maa/AlueIso-Britannia
KaupunkiLondon
Ajanjakso20/08/201923/08/2019

Sormenjälki

Sukella tutkimusaiheisiin 'A reinforcement learning approach to synthesizing climbing movements'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä