RSO Pose

通过人体动作捕捉数据训练，预测身体的下一个姿态，生成自然动作。

学习身体如何运动。

我们使用人体动作捕捉数据训练了自己的深度相位运动控制器。RSO Pose 学习动作的节奏与协调关系，再预测每个新姿态，让仿真角色行走、跑动和转向。

我们在控制器运行时观察全身运动。关节测量帮助我们研究四肢在每一步中如何协调。

控制器在仿真中的输出记录。读数显示关节速度，单位为米/秒。

控制器根据最近的运动和指定方向预测下一个姿态。每个新姿态都会成为历史信息的一部分，用于生成后续动作。

蓝色人形显示同一生成序列中 0.35 秒和 0.70 秒之后的姿态。

地形扫描仪可以帮助机器人在迈出下一步之前预判地面的变化。我们正在探索如何利用这些信息指导姿态预测。

地形感知概念演示。蓝色扫描线描绘角色前方的地面。

机器人的动作会影响人们与它相处时的感受。我们希望机器人的动作更熟悉、更容易预判，而学习人类动作是一个起点。

在起伏地面上奔跑和转向，蓝色展示地形扫描概念。

我们从仿真出发，开发 RSO Pose 在机器人与数字角色中的应用。

开发适合在人群中工作的类人运动方式。从仿真中的行走、跑动和转向开始。

在可重复的虚拟环境中测试预测动作，检查动作衔接、地面接触和方向变化时的响应。

根据玩家输入生成响应灵敏的角色动作，探索行走、跑动和转向之间的连续过渡。

让虚拟角色拥有自然的运动方式。研究姿态、节奏和动作衔接如何让化身更加真实。

帮助动画师探索姿态之间的运动，以学习到的动作作为序列起点，再进行指导与细化。

为角色在场景中的运动制作原型，在规划镜头或片段时尝试不同路径与节奏。

探索便于人们理解与预判的动作。研究机器人靠近他人、改变方向或在人身旁停下时的运动方式。

我们在实时仿真中测试控制器，检查转向、速度变化和地面接触，并通过控制与接触调整改进生成的姿态。将这项工作应用于实体机器人还需要进一步开发与测试。