MimicX: perfezionamento della supervisione con la policy nel ciclo per il tracciamento dei movimenti umanoidi guidato dai video

Abstract degli autori

I video di persone forniscono ricchi riferimenti di movimento per l’apprendimento dei robot umanoidi, ma riferimenti visivamente plausibili possono comunque causare errori persistenti nell’esecuzione basata sulla fisica. Questi errori indicano dove occorre modificare la supervisione durante l’addestramento. Presentiamo MimicX, un framework che include la policy nel ciclo e usa il feedback dell’esecuzione per perfezionare il tracciamento dei movimenti umanoidi guidato dai video. Partendo da movimenti ricostruiti e riadattati, MimicX individua le transizioni difficili e le parti del corpo interessate, poi adatta congiuntamente gli obiettivi di tracciamento e il curriculum dei reset per proseguire l’addestramento della policy. Verifiche ripetute delle esecuzioni selezionano i miglioramenti che danno priorità all’esecuzione, nel rispetto di vincoli di salvaguardia sul tracciamento. In quattro compiti video principali, MimicX migliora sistematicamente la precisione del tracciamento e il Robust Execution Horizon rispetto alla baseline Fixed Reference. I risultati medi sui compiti mostrano una riduzione del 25,7% dell’errore di tracciamento del corpo e un aumento del 255,6% dell’orizzonte di esecuzione. Ulteriori studi su video, riferimenti di movimento e scene di collisione valutano il metodo oltre i compiti principali, mentre MimicX-HLoop accelera il feedback attraverso un’esecuzione eterogenea. Nel complesso, MimicX trasforma gli errori della policy in indicazioni operative per decidere che cosa perfezionare e quali perfezionamenti mantenere.