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