Duplicate

introduction

1.
자세한 연구 분야의 현황 or (새로운 연구 분야라면) 연구 분야의 중요성
2.
현황에 기댄 연구 분야의 문제점 (새로운 연구 분야라면 문제점은 “다루지 않고 있다”)
3.
문제점에 기반한 논문에서 새롭게 제안한 점 (how difficulty it is and how we solved)
4.
새로운 제안을 입증한 방법과 그 결과
5.
요약 및 contribution
인간이 real-world 에서 보여주는 다양하고 복잡한 motion 을 physics enviroment 에서 mimic 하는 것은 machine 이 인간의 행동을 더 잘 이해할 수 있는 토대를 만든다. 단순한 walking 과 jumping 에서부터 복잡한 back-flipping, fighting 과 같이 다양한 motion 을 mimic 함으로써 우리는 physics environment 를 기반으로 하는 게임, 영화, VR/AR 컨텐츠 등에서 인간과 같은 motion 을 simulatation 하는 것을 넘어 human motion 에 대한 기계 지능을 학습하는 것이 가능하다. 이에 따라, 많은 연구들이 human 이 내재하고 있는 motion 에 대한 knowledge 를 얻기 위한 연구를 진행했다.
본 논문에서는, physical plausibility 를 보장하면서도 time efficient 한 HOI 를 포함한 모션을 mimic 하는 것을 목표로 한다. Time inefficiency 를 mitigate 하기 위해, 우리는 human motion 에 대한 policy 를 pre-training 하는 novel pipeline 을 제안한다. 이 design 에 대한 두 가지 intuition 은 (1) 대부분의 human object interaction 에서의 유일한 agent 는 human 이라는 것과, (2) human 과 object 의 motion 을 동시에 학습하는 것보다 human 의 motion 을 학습하는 것이 훨씬 쉬운 문제라는 것이다. 적은 양의 pre-training 을 통해 빠르고 rough 하게 pre-train 한 human control policy 는 human-object motion 을 learning 하기 위한 좋은 initial policy 가 될 것으로 예상했다.
우리의 방법의 efficacny 를 demonstrate 하기 위해, 우리는 BallPlay dataset 을 사용해 human motion mimicking with HOI experiment 를 conduct 한다. 그 결과, 우리는 short pre-training 이 baseline 을 convergence speed 는 물론 asymptotic performance 측면에서 outperform 함을 보여주었다.
In summary, 우리의 main contribution 은 다음과 같다: (1) 우리는 3D motion mimicking with HOI 에서 leading motion 으로써의 human motion mimicking 의 importance point out 했다, (2) 우리는 human motion pre-training 을 통해 efficient 한 3D motion mimicking with HOI pipeline 을 구축했다.
human motion 이 object 의 motion 을 만드는 leading motion 임에 따라,
그 만큼을 human-object simultaneous 하게 training 에 사용한 것보다