跳到正文
arXiv · 机器人与计算机视觉· Markus Peschl, Dana Kianfar, Daniel Dijkman·· 2 天前AI 评分58

QTOP:利用分位数评论家扩展人形运动追踪规模

QTOP: Scaling Humanoid Motion Tracking with Quantile Critics

AI 导读

针对人形全身控制中运动追踪策略学习需大规模计算资源且泛化难的问题,本文提出 QTOP 方法,通过引入基于状态和参考对的条件分布优势估计来提升样本效率。实验表明,该方法在仿真及真实世界场景中均优于离线与在线强化学习基线,性能提升最高达 10%。研究还建立了 QTOP 的扩展定律,发现对于中等规模的 GPU 小时量级,数据集规模对性能影响有限。

来源:arXiv · 机器人与计算机视觉 · arxiv.org