La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Synthétisation de mouvements de lever du sol pour les personnages basés sur la physique

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Frezzato, Anthony (2022). Synthétisation de mouvements de lever du sol pour les personnages basés sur la physique. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[thumbnail of FREZZATO_Anthony.pdf]
Prévisualisation
PDF
Télécharger (2MB) | Prévisualisation

Résumé

Nous proposons une méthode pour synthétiser des mouvements de lever du sol pour un personnage simulé par la physique. À partir d’une position au sol, notre objectif n’est pas d’imiter une séquence de mouvement en particulier, mais de produire des mouvements qui correspondent aux courbes d’entrées décrivant le style du mouvement de lever du sol. Notre cadriciel utilise l’apprentissage par renforcement profond pour entraîner une politique afin de contrôler un personnage simulé par la physique. Un espace latent de poses naturelles est fabriqué à partir d’une base de données de capture de mouvements. Les poses sont conditionnées par des caractéristiques d’entrée qui décrivent le mouvement. Nous démontrons que notre approche peut synthétiser des mouvements qui suivent le style des courbes créées par l’utilisateur, ainsi que des courbes extraites des mouvements de référence. Dans ce dernier cas, les mouvements du personnage basé sur la physique ressemblent aux mouvements de référence originaux. De nouveaux mouvements peuvent être synthétisés facilement en ne modifiant qu’un petit nombre de paramètres qui décrivent le mouvement. Nous démontrons également le succès de nos contrôleurs sur des terrains accidentés et inclinés.

Titre traduit

Synthesizing get-up motions for physics-based characters

Résumé traduit

We propose a method for synthesizing get-up motions for physics-based humanoid characters. Beginning from a supine or prone state, our objective is not to imitate individual motion clips, but to produce motions that match input curves describing the style of get-up motion. Our framework uses deep reinforcement learning to learn control policies for the physics-based character. A latent embedding of natural human poses is computed from a motion capture database, and the embedding is furthermore conditioned on the input features. We demonstrate that our approach can synthesize motions that follow the style of user authored curves, as well as curves extracted from reference motions. In the latter case, motions of the physics-based character resemble the original motion clips. New motions can be synthesized easily by changing only a small number of controllable parameters. We also demonstrate the success of our controllers on rough and inclined terrain.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie des technologies de l’information". Comprend des références bibliographiques (pages 65-69).
Mots-clés libres: synthétisation de mouvements de lever du sol, personnages basés sur la physique, apprentissage par renforcement profond
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Andrews, Sheldon
Programme: Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt: 12 oct. 2022 15:00
Dernière modification: 12 oct. 2022 15:00
URI: https://espace.etsmtl.ca/id/eprint/3082

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt