PhysibleMDM：通过噪声优化在推理时对运动扩散模型施加物理可行性约束
PhysibleMDM 在推理阶段优化扩散噪声，无需重新训练运动扩散模型，即可提升生成运动的物理可行性。其约束由运动学检查（地面穿透、滑移、自碰撞）与基于锥规划逆动力学的动力学测试组成，并用 Sep-CMA-ES 求解黑盒优化问题，再以自回归方式串联片段生成长序列。在 SMPL 人形模型的 100 种运动风格上，平均地面穿透、自碰撞穿透与地面滑移分别降低 75%、92%、74%；在自定义双足机器人的 11 个序列上，每序列平均加速度重建误差中位数降低 89.5%，平均逆动力学残差中位数降低 79.5%。
发布于 10-23 23:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《PhysibleMDM: Enforcing Inference-Time Physical Feasibility Constraints on Motion Diffusion Models via Noise Optimization》查看原链
运动扩散模型（MDM）能够生成多样且视觉上吸引人的人体运动，但生成的轨迹经常违反物理约束，限制了其在仿真与控制中的下游应用。 我们提出 PhysibleMDM，一个在推理时优化扩散噪声、无需重新训练生成模型即可提升 MDM 输出物理可行性的框架。
我们引入一组无需完整轨迹仿真即可评估的替代可行性约束，这些约束结合了运动学检查（如地面穿透、滑移和自碰撞）与通过内层逆动力学循环（建模为锥规划）计算的动力学可行性测试。 我们使用可分离协方差矩阵自适应进化策略（Sep-CMA-ES）求解由此产生的黑盒噪声优化问题，从而避免依赖计算昂贵且不连续的梯度。
随后，一种自回归方案将优化后的片段串联起来，以合成长时间运动序列。 在 SMPL 人形模型的 100 种运动风格上，与未优化的扩散输出相比，PhysibleMDM 将平均地面穿透、自碰撞穿透和地面滑移分别降低 75%、92% 和 74%。 在自定义双足机器人的 11 个序列上，它使每个序列的平均加速度重建误差中位数降低 89.5%，平均逆动力学残差中位数降低 79.5%。