BFMTrack：使用行为基础模型进行基于物理的运动跟踪的潜在序列优化

行为基础模型（BFM）通过在大规模运动数据集的指导下将丰富的物理上合理的行为组织到潜在空间中，为基于物理的通用角色控制提供了一条有希望的道路。虽然这些模型擅长于时不变的任务，例如目标达成和基于状态的奖励优化，但它们的潜在空间并不直接支持时变的目标，例如跟踪运动序列。对于跟踪，现有的启发式方法依赖于移动窗口平均，无法捕捉高度动态运动的细微差别。在这项工作中，我们提出了一种新颖的潜在序列优化（LSO）来解决这些缺点。我们的方法将模拟执行轨迹与策略梯度更新相结合，以优化一系列潜在变量，从而将 BFM 的功能扩展到精确的运动跟踪，而无需奖励工程和调整。为了引导优化走向平滑、连贯的潜在轨迹，我们使用时间相关噪声对潜在序列进行建模。我们通过密集跟踪、稀疏关键帧和直接部署到真实的人形机器人上来验证我们的方法。