TL;DR
- چکیده:.
- انیمیشن شخصیتهای مبتنی بر فیزیک به یک رویکرد اساسی برای ترکیب حرکات واقعی و از نظر فیزیکی قابل.
- قبول تبدیل شده است.
چه اتفاقی افتاد
چکیده:. انیمیشن شخصیتهای مبتنی بر فیزیک به یک رویکرد اساسی برای ترکیب حرکات واقعی و از نظر فیزیکی قابل.
قبول تبدیل شده است. در حالی که روشهای یادگیری تقویتی عمیق مبتنی بر دادههای کنونی (DRL) میتوانند مهارتهای پیچیده را ترکیب کنند،.
اما آنها برای بازتولید حرکات اغراقآمیز و سبکشده،. مانند خط تیرههای آنی یا تغییرات مسیر هوا،.
که در انیمیشن مورد نیاز هستند،. اما قوانین فیزیکی استاندارد را نقض میکنند،.
تلاش میکنند. محدودیت اولیه از مدلسازی کاراکتر بهعنوان یک سیستم پایه شناور کمتحرک ناشی میشود،.
که در آن گشتاورهای مفصل داخلی و حفظ تکانه به شدت بر حرکت حاکم است. تلاشهای مستقیم برای اعمال چنین حرکاتی از طریق آچارهای خارجی اغلب به بیثباتی تمرین منجر میشود،.
زیرا ناپیوستگیهای سرعت،. نوکهای نیروی پراکنده و با قدر بالا را ایجاد میکنند که از همگرایی سیاستها جلوگیری میکند.
ما کنترل عصبی تکانه کمکی را پیشنهاد میکنیم،. چارچوبی که کمک خارجی را در فضای ضربهای به جای مجبور کردن فضا برای اطمینان از ثبات.
عددی دوباره فرموله میکند. ما سیگنال کمکی را به یک جزء تحلیلی فرکانس بالا که از Inverse Dynamics و یک تصحیح باقیمانده.
فرکانس پایین آموخته شده،. که توسط یک سیاست عصبی ترکیبی اداره میشود،.
تجزیه میکنیم. ما نشان میدهیم که روش ما ردیابی قوی مانورهای بسیار چابک و غیرقابل انجام دینامیکی را که قبلاً.
برای روشهای مبتنی بر فیزیک غیرقابل تحمل بودند،. ممکن میسازد.
هوش مصنوعی (cs. AI)؛ گرافیک (cs.
GR) استناد بهعنوان: (یا v1 [cs. AI] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Zhiquan Wang [مشاهده ایمیل] [v1] سه شنبه،.
7 آوریل 2026،. 03:.
47:. 14 UTC (33,.
623 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.