混合方法

✅ 本章定位：理解如何在动力学方法中引入运动学数据，实现高质量且符合物理的角色动画。

运动学 vs 动力学：优缺点对比

运动学方法

优点：

• 动作质量高：来自动捕数据，真实自然
• 计算效率高：无需物理仿真，实时性好
• 易于控制：直接输出姿态，可控性强

缺点：

• 不符合物理：穿模、滑步、浮空
• 抗扰动能力差：受外力后无法恢复
• 无法与环境交互：不能适应地形变化

动力学方法

优点：

• 符合物理：无穿模、滑步
• 抗扰动能力强：受外力后可恢复平衡
• 可与环境交互：适应地形、物体交互

缺点：

• 动作质量低：像机器人、僵硬
• 计算成本高：需要物理仿真、优化/训练
• 调参困难：需要大量手工调整

为什么要结合？

核心思想：取长补短

┌─────────────────────┐     ┌─────────────────────┐
│   运动学方法        │     │   动力学方法        │
│                     │     │                     │
│  ✓ 动作质量高       │     │  ✓ 物理真实         │
│  ✓ 计算效率高       │     │  ✓ 抗扰动强         │
│  ✓ 易于控制         │     │  ✓ 可交互           │
│                     │     │                     │
│  ✗ 不符合物理       │     │  ✗ 动作质量低       │
│  ✗ 抗扰动差         │     │  ✗ 计算成本高       │
│  ✗ 无法交互         │     │  ✗ 调参困难         │
└─────────────────────┘     └─────────────────────┘
            ↓                           ↓
            └──────────┬────────────────┘
                       │
                       ↓
            ┌─────────────────────┐
            │    混合方法         │
            │                     │
            │  ✓ 动作质量高       │
            │  ✓ 物理真实         │
            │  ✓ 抗扰动强         │
            │                     │
            │  ✗ 系统复杂         │
            │  ✗ 训练成本高       │
            └─────────────────────┘

混合方法的本质

┌─────────────────────────────────────────────────────────┐
│  混合方法 = 动力学方法 + 运动学数据                      │
│                                                         │
│  动力学方法提供：物理仿真、抗扰动能力                    │
│  运动学数据提供：高质量动作参考、风格先验                │
└─────────────────────────────────────────────────────────┘

与前面章节的关系：

运动学方法 ──→ 提供数据/先验 ──┐
                              ├──→ 混合方法
动力学方法 ──→ 提供仿真/执行 ──┘

常见的结合套路

套路 1：先运动学，后动力学（串联）

运动学生成初值 → 动力学优化 → 输出

代表：DReCon（Motion Matching + 轨迹优化）

流程：

1. Motion Matching 从数据库中找到最匹配的 pose 作为初值
2. 轨迹优化在初值基础上做物理适配
3. PD 控制执行

优点：动作质量高，物理真实 缺点：系统复杂，需要维护数据库

套路 2：运动学指导动力学生成（并行）

运动学数据 → 学习先验 ──┐
                        ├──→ 动力学方法生成
动力学方法 ─────────────┘

代表：AMP（对抗式运动先验）

流程：

1. 用动捕数据训练判别器（学习风格先验）
2. RL 策略生成动作，判别器判断"像不像"
3. 策略不断优化，生成既符合物理又像动捕风格的动作

优点：推理时无需参考数据，可泛化 缺点：训练成本高，需要大量采样

套路 3：运动学作为跟踪目标（强耦合）

运动学轨迹 → 目标 → 动力学跟踪

代表：DeepMimic

流程：

1. 动捕轨迹作为参考目标
2. RL 学习如何跟踪参考轨迹
3. 跟踪策略输出关节力矩，通过仿真器执行

优点：动作质量高，抗扰动 缺点：推理时仍需参考轨迹，泛化能力有限

套路 4：端到端学习（隐式结合）

状态输入 → 神经网络 → 力矩/姿态输出
           (训练时用了运动学数据)

代表：UniPhys、CAMDM（Diffusion 模型）

流程：

1. 用动捕数据（状态 - 动作对）训练模型
2. 模型直接输出力矩或姿态
3. 端到端，无需手动设计接口

优点：系统简单，推理快 缺点：需要大量训练数据，可解释性差

与前面章节的关系

四种套路的对比

深入学习：DeepMimic | AMP | DReCon | UniPhys

与前面章节的关系

本章重点问题

1. 如何设计运动学数据与动力学方法的接口？

   • DeepMimic：参考轨迹作为 reward
   • AMP：动捕数据训练判别器
   • DReCon：数据库提供初值

2. 如何平衡数据依赖与泛化能力？

   • 强依赖：动作质量高，但泛化差
   • 弱依赖：泛化好，但训练难

3. 如何处理训练与推理的差异？

   • 训练时：可以用动捕数据
   • 推理时：根据方法不同，依赖程度不同

深入学习：ReadPapers - Physics-based Character Control