人體運動軌跡的人工智能動畫模擬

做爲博客文章的處女秀,我將簡要介紹一下個人研究領域。從如今起,我將之命名爲「人體運動軌跡的人工智能動畫模擬」(Physically-Based Animation ,下文簡稱PBA)。機器學習

 

譯註:學習

這篇文章最先是在Media看到的,文中,做者將這一方法命名爲Physically-Based Animation,但稍後殊不知爲什麼刪除了Media上的文章,因而咱們找到了做者的博客,在上面找到了這篇文章,但在博客中,這一方法被描述爲Procedural Animation,即程序性動畫。我我的較願意以最新的名稱來命名這一動畫,由於Physically,既能夠理解爲物理反饋式的,也能夠理解爲人體的,所以更符合目前的研究方向和案例。優化

 

1、關於個人一點介紹動畫

76fd277631d38d167d3529fdfa9055684a7a453c

 

我是芬蘭Aalto University計算機科學系的博士生。我目前的研究重點是爲物理模擬角色在多智能體條件下的表現開發高效的,創造性的運動人工智能模擬技術。個人研究的最終目標是填補深度強化學習和在線最優化求解之間的空白。譯註:多智能體(multi-agent),是多個Agent組成的集合,其多個Agent成員之間相互協調,相互服務,共同完成一個任務,鳥羣、魚羣、獸羣和菌落均可以被當作是多智能體系統。(http://t.cn/E2oDTFg)在線最優化求解:利用已有的樣本數據訓練的過程每每轉換成一個最優化求解的過程。當咱們面對高維高數據量的時候,批量處理的方式就顯得笨重和不夠高效,所以須要有在線處理的方法(Online)來解決相同的問題。(http://t.cn/E2oDuZf)累積獎勵:強化學習做爲一種機器學習方法,是經過Agent與環境交互和得到反饋來造成學習過程,當Agent作出了正確的步驟,積累獎勵增長,錯誤則扣減。最著名的例子就是AlphaGo,以往的學習方法依賴大量的棋譜,而強化學習是經過對弈中的成敗來造成獎懲來讓機器變得更「聰明」。2、強化學習與PBA人工智能

相關文章
相關標籤/搜索