具身智能
PhysibleMDM:通过噪声优化在推理阶段对运动扩散模型施加物理可行性约束
原标题: PhysibleMDM:通过噪声优化在推理阶段对运动扩散模型施加物理可行性约束
📋总体概括
研究者提出PhysibleMDM框架,针对运动扩散模型(MDM)生成的人体动作常违反物理约束的问题,在推理阶段直接优化扩散噪声,无需重新训练生成模型。该框架设计了一组无需完整轨迹仿真即可评估的替代可行性约束,将地面穿透、滑移、自碰撞等运动学检查与通过逆动力学内循环(锥规划形式)计算的动态可行性测试相结合,并使用分离协方差矩阵自适应进化策略(Sep-CMA-ES)求解该黑箱噪声优化问题,提升动作在仿真与控制中的可用性。
⚡关键信息
- ▸PhysibleMDM在推理阶段优化扩散噪声,无需重新训练运动扩散模型即可提升物理可行性
- ▸替代约束将地面穿透、滑移、自碰撞等运动学检查与逆动力学动态可行性测试结合
- ▸逆动力学内循环被形式化为锥规划问题,无需完整轨迹仿真即可评估约束
- ▸黑箱噪声优化采用Sep-CMA-ES(分离协方差矩阵自适应进化策略)求解
🔥犀利点评
MDM生成的动作好看但不能用,这一直是具身智能落地的老大难。PhysibleMDM的聪明之处在于不动模型、只在推理端做文章,把物理可行性变成可优化的噪声问题——训练成本为零。但CMA-ES这类进化策略推理开销不小,实时性存疑,能否替代基于物理的动画管线,还得看推理延迟的实际数据。
📰 相关资讯(与本文相关的其他资讯)
本文由本站自动聚合,以下为原始来源:前往 arXiv cs.RO 论文 阅读全文 →