UC Berkeley大學(xué)的研究人員們利用深度姿態(tài)估計和深度學(xué)習(xí)技術(shù)，讓智能體從單一視頻中學(xué)習(xí)人物動作，并生成近乎相同的結(jié)果。更重要的是，智能體還能將所學(xué)到的技能應(yīng)用于不同環(huán)境中。以下是論智對其博文的編譯。

不論是像洗手這樣日常的動作，還是表演雜技，人類都可以通過觀察學(xué)習(xí)一系列技能。隨著網(wǎng)絡(luò)上越來越多視頻資源的出現(xiàn)，想找到自己感興趣的視頻比之前更容易了。在YouTube，每分鐘都有300小時的視頻上傳成功。但是，對于機器來說，從如此大量的視覺數(shù)據(jù)中學(xué)習(xí)技能仍然困難。大多數(shù)動作模仿的學(xué)習(xí)方法都需要有簡潔地表示，例如從動作捕捉獲取的記錄。但想得到動作捕捉的數(shù)據(jù)可能也非常麻煩，需要大量設(shè)備。另外，動作捕捉系統(tǒng)也僅限于遮擋較少的室內(nèi)環(huán)境，所以有很多無法記錄的動作技能。那么，如果智能體可以通過觀看視頻片段來學(xué)習(xí)技能，不是很好嗎？

在這一項目中，我們提出了一種可以從視頻中學(xué)習(xí)技能的框架，通過結(jié)合計算機視覺和強化學(xué)習(xí)中出現(xiàn)的先進(jìn)技術(shù)，該框架能讓智能體學(xué)會視頻中出現(xiàn)的全部技能。例如給定一段單目視頻，其中一個人在做側(cè)手翻或后空翻，該系統(tǒng)的智能體就可以學(xué)習(xí)這些動作，并重現(xiàn)出一樣的行為，無需人類對動作進(jìn)行標(biāo)注。

從視頻中學(xué)習(xí)身體動作的技能最近得到很多人的關(guān)注，此前的技術(shù)大多依靠人們手動調(diào)整框架結(jié)構(gòu)，對生成的行為有很多限制。所以，這些方法也僅在有限的幾種情境下使用，生成的動作看起來也不太自然。最近，深度學(xué)習(xí)在視覺模擬領(lǐng)域表現(xiàn)出了良好的前景，例如能玩雅達(dá)利游戲,機器人任務(wù)

框架

我們提出的框架包含三個階段：姿態(tài)估計、動作重建和動作模擬。在第一階段，框架首先對輸入的視頻進(jìn)行處理，在每一幀預(yù)測人物動作。第二步，動作重建階段會將預(yù)測出的動作合并成參考動作，并對動作預(yù)測生成的人工痕跡做出修正。最后，參考動作被傳遞到動作模擬階段，其中的模擬人物經(jīng)過訓(xùn)練，可以用強化學(xué)習(xí)模仿動作。

動作估計

給定一段視頻，我們用基于視覺的動作估計器預(yù)測每一幀演員的動作qt。該動作預(yù)測器是建立在人類網(wǎng)格復(fù)原這一工作之上的（akanazawa.github.io/hmr/），它用弱監(jiān)督對抗的方法訓(xùn)練動作估計器，從單目圖像中預(yù)測動作。雖然在訓(xùn)練該估計器的時候需要標(biāo)注動作，不過一旦訓(xùn)練完成，估計器在應(yīng)用到新圖片上時就無需再次訓(xùn)練了。

用于估計人物動作的姿態(tài)估計器

動作重建

姿態(tài)估計給視頻中的每一幀都做出了單獨的動作預(yù)測，但兩幀之間的預(yù)測可能會出現(xiàn)抖動偽影。另外，雖然近些年基于是覺得姿態(tài)估計器得到了很大進(jìn)步，但有時它們也可能會出現(xiàn)較大失誤。所以，這一步的動作重建就是減少出現(xiàn)的偽影，從而生成更逼真的參考動作，能讓智能體更輕易地模擬。為了實現(xiàn)這一點，我們對參考動作進(jìn)行了優(yōu)化Q={q0,q1,…,qt}，以滿足以下目標(biāo)：

其中l(wèi)p(Q^)是為了讓參考動作和原始動作預(yù)測更接近，lsm(Q^)是為了讓相鄰的幀之間的動作更相近，從而生成更流暢的動作。另外，wp和wsm是不同損失的權(quán)重。

這一過程可以顯著提高參考動作的質(zhì)量，并且修正一些人工生成的痕跡。

動作模擬

有了參考動作{q^0,q^1,…,q^t}之后，我們就可以訓(xùn)練智能體模仿這些動作了。這一階段用到的強化學(xué)習(xí)方法和之前我們?yōu)槟M動作捕捉數(shù)據(jù)而提出的方法相似，獎勵函數(shù)僅僅是為了讓智能體的動作和重建后的參考動作之間的差異最小化。

這一方法表現(xiàn)得很好，我們的智能體可以學(xué)習(xí)很多雜技動作，每個動作只需要一段視頻就能學(xué)會。

結(jié)果

最終我們的智能體從YouTube上的視頻中學(xué)習(xí)了20多種不同的技能。

盡管智能體的形態(tài)有時和視頻中的人物不太一樣，但這一框架仍然能逼真地重現(xiàn)很多動作。除此之外，研究人員還用模擬的Atlas機器人模仿視頻動作。

使用模擬人物（智能體）的好處之一就是，在新環(huán)境下可以用模擬對象生成相應(yīng)的動作。這里，我們訓(xùn)練智能體在不規(guī)則平面上采取不同動作，而它所對應(yīng)的原始視頻是在平地上運動的。

雖然和原始視頻中的環(huán)境大不相同，學(xué)習(xí)算法仍然能生成相對可靠的策略來應(yīng)對不同路面情況。

總的來說，我們的框架采用的都是視頻模仿問題中常見的方法，關(guān)鍵是要將問題分解成更加易處理的組合部分，針對每個部分采取正確的方法，然后高效地把它們組合在一起。但是模擬視頻中的動作仍然是非常有挑戰(zhàn)性的工作，目前還有很多我們無法復(fù)現(xiàn)的視頻片段：

這種江南style的舞步，智能體就難以模仿

但是看到目前我們實現(xiàn)的成果，還是很振奮人心。未來我們還有很多需要改進(jìn)的地方，希望這項工作能作為基礎(chǔ)，為智能體在未來處理大量視頻數(shù)據(jù)的能力奠定了基礎(chǔ)。