论文部分内容阅读
运动规划是虚拟人运动合成中的热点和难点。虚拟人通过推理决策，选定最优运动序列完成给定目标。然而现有的运动规划方法由于维数爆炸问题难以规划具有多个子任务的组合任务。为此提出一种基于关键状态的虚拟人组合任务分层规划方法。该方法分为两层：上层的层次增强学习模型在状态空间中稀疏采样并搜索某些局部任务的成功路径，将被访问频次最大的状态作为关键状态从而将组合任务分解为若干子任务；底层的增强学习模型将运动片段抽象为行为，将环境信息抽象为状态，采用试错搜索策略分而治之地规划子任务。合成运动时虚拟人只需遵循各子任务的控制策略，依次选择运动片段并顺序拼接即可。实验结果表明该算法能够生成逼真的虚拟人运动以完成组合任务，并且大大减少规划所需的计算时间和存储空间。