从广播视频中学习物理模拟的网球技能

<strong>张浩天</strong>、袁野、Viktor Makoviychuk、郭云荣、Sanja Fidler、彭学斌、Kayvon Fatahalian

SIGGRAPH 2023 (最佳论文荣誉提名)

论文 | 项目 | 视频

注意：当前发布版本提供了分层控制器的实现，包括低级模仿策略、动作嵌入和高级规划策略，以及在IsaacGym中的环境设置。不幸的是，由于许可问题，目前无法提供训练好的模型，因此演示无法运行。

新闻

[2023/11/28] 发布了低级策略的训练代码。

[2023/11/01] 发布了分层控制器的演示代码。

环境设置

1. 下载IsaacGym并创建Python虚拟环境

您可以从官方网站下载IsaacGym预览版4。然后从这里下载Miniconda3。通过运行IsaacGym中的create_conda_env_rlgpu.sh创建名为rlgpu的conda虚拟环境，Python3.7或Python3.8均可。注意，如果在运行IsaacGym时遇到错误ImportError: libpython3.7m.so.1.0: cannot open shared object file: No such file or directory，您可能需要运行以下命令或将其添加到您的.bashrc中。

export LD_LIBRARY_PATH=<您的CONDA路径>envs/rlgpu/lib/

2. 安装依赖项

进入创建的虚拟环境并运行安装脚本。

conda activate rlgpu
bash install.sh

要安装低级策略的额外依赖项，请按照install_embodied_pose.sh中的说明进行操作。

3. 安装smpl_visualizer以可视化结果

克隆Git仓库，然后运行

bash install.sh

4. 下载数据/检查点

将数据下载到vid2player3d/data。

将动作嵌入和训练策略的检查点下载到vid2player3d/results（目前不可用）。

下载SMPL，首先在这里注册，然后将模型（男性和女性模型）下载到smpl_visualizer/data/smpl，并将文件重命名为SMPL_MALE.pkl和SMPL_FEMALE.pkl。

对于训练低级策略，还需要将smpl模型文件复制到vid2player3d/data/smpl。

演示

这些演示需要训练好的模型，目前不可用。

单人模式

在单人模式下，玩家将对来自对面的连续网球做出反应。以下脚本运行模拟并在线渲染结果。模拟将在300帧后重置。您可以通过将--cfg更改为djokovic或nadal来更换玩家。

python vid2player/run.py --cfg federer --rl_device cuda:0 --test --num_envs 1 --episode_length 300 --seed 0 --checkpoint latest --enable_shadow

以下脚本将批量运行模拟并离线渲染结果视频，保存在out/video目录下。您也可以将--record更改为--record_scenepic，这将把结果保存为交互式html文件，存放在out/html目录下。请注意，保存的html文件较大，可能需要几秒钟才能加载。

python vid2player/run.py --cfg federer --rl_device cuda:0 --test --num_envs 8192 --episode_length 300 --seed 0 --checkpoint latest --select_best --enable_shadow --num_rec_frames 300 --num_eg 5 --record --headless

双人对战

在双人对战设置中，两名球员将相互进行网球对抗。以下脚本运行模拟并在线渲染结果。如果球被漏接或出界，模拟将重置。您可以通过将--cfg更改为nadal_djokovic来切换球员。更多球员设置将很快添加。

python vid2player/run.py --cfg federer_djokovic --rl_device cuda:0 --test --num_envs 2 --episode_length 10000 --seed 0 --checkpoint latest --enable_shadow

以下脚本将批量运行模拟并离线渲染结果视频，保存在out/video目录下。

python vid2player/run.py --cfg federer_djokovic --rl_device cuda:0 --test --num_envs 8192 --episode_length 10000 --seed 0 --checkpoint latest --enable_shadow --headless --num_rec_frames 600 --num_eg 5 --record

训练

低级策略

我们在embodied_pose中提供了训练低级策略的代码。如论文所述，低级策略使用AMASS动作和网球动作分两个阶段进行训练。您可以运行以下脚本执行两阶段训练（假设动作数据可用）。

python embodied_pose/run.py --cfg amass_im --rl_device cuda:0 --headless
python embodied_pose/run.py --cfg djokovic_im --rl_device cuda:0 --headless

convert_amass_isaac.py展示了如何将AMASS动作数据集转换为我们的训练代码可用的格式。

动作嵌入

我们在vid2player/motion_vae中提供了训练动作嵌入的代码（假设动作数据按照Video3DPoseDataset中描述的格式组织）。

高级策略

我们还在vid2player中提供了训练高级策略的代码。如论文所述，我们设计了一个分三个阶段的课程学习。您可以运行以下脚本执行课程训练（假设低级策略和动作嵌入的检查点可用）。

python vid2player/run.py --cfg federer_train_stage_1 --rl_device cuda:0 --headless
python vid2player/run.py --cfg federer_train_stage_2 --rl_device cuda:0 --headless
python vid2player/run.py --cfg federer_train_stage_3 --rl_device cuda:0 --headless

引用

@article{
  zhang2023vid2player3d,
  author = {Zhang, Haotian and Yuan, Ye and Makoviychuk, Viktor and Guo, Yunrong and Fidler, Sanja and Peng, Xue Bin and Fatahalian, Kayvon},
  title = {Learning Physically Simulated Tennis Skills from Broadcast Videos},
  journal = {ACM Trans. Graph.},
  issue_date = {August 2023},
  numpages = {14},
  doi = {10.1145/3592408},
  publisher = {ACM},
  address = {New York, NY, USA},
  keywords = {physics-based character animation, imitation learning, reinforcement learning},
}