计算机领域的大佬们

从SK出发绕一圈回到下次落地的状态，是周期性且重复的。从S0出发，下次落地到S1、S2、S3以及S4，红色点是最终去的地方，是稳定的值，单周期步态是吻合的，这和我们的系统很像。如果是给系统这个参数，系统会最终落到红点，如果我给系统另外一个参数，用一个红色的参数欺骗它，结果是当它走到第二步或者某一步的时候就会经过红色附近。显然对目标红点来讲，采用红色的参数会更好，而不是采用本身黑色的参数（它有渐进收敛的过程）。

如果用假目标欺骗它，那么就要考虑用哪个目标欺骗它会更好？在这里需要做很多运算，首先我需要知道红色轨迹、所有可能的黑色轨迹是什么，把他们都算出来，从中选出来最优化轨迹，再把参数发送给系统。最后，系统等效成传统的现代控制理论中的状态方程的反馈控制问题。

这个方法来自于混沌控制里最经典OGY方法，这里，我们提出了一种MPC的方法，发现通过大量计算的MPC远好过传统的OGY方法。而且如果机器人处于将跌到状态，也可以通过计算机找到适当的轨迹来恢复运动，远远扩大了稳定的范围。

 

人的步态到底是什么？很多医学科学家在分析了人的步态后发现，所记录的行走轨迹像一团乱麻，是周期性但不是重复的，起初以为是噪音或者步态不均匀导致的结果，最后发现其实人走路是混沌的步态。在1998年，就有人发现当参数变化到特定值时，被动模型中就会表现出混沌特性，后来，这一点在实物中也被证实。

比如，我们利用被动理论做了一款足式机器人，从它的行走数据来看有明显的混沌趋势。那么问题来了，人走路是混沌的，为什么机器人走路是单周期控制的？

TED上有这样一则视频，一位帕金森患者上下楼梯必须扶着扶手，后来，它的孙女做了一个实验，在平面的地上画了多层台阶，结果患者可以在无任何扶手的情况下完成独立行走。当然这和帕金森症的机理有关，但也说明其本身与动力学有关，帕金森的本质是神经系统局部存在障碍、传导不通的情况。这个案例说明，可以通过视觉上的刺激恢复神经系统的正常功能，或许可以解决这一问题。

传统的行走机器人都是按单周期步态在做控制，首要解决的问题是稳定性，而人类步态可能是混沌的。我们能否从被动步行中找到一些人类步态的动力学解释，并利用这些动力学来提高机器人或助行器性能的控制方法？如果按照混沌的特点去控制，可能会有完全不一样的效果。在这里，我们做了一些动力学轨迹的案例分析。如下图：

 

性能分析

最后，研究者分析了 NLT 方法在不同因素下的性能表现。结果表明，随着几何结构的退化，该研究使用的神经渲染方法始终优于严重依赖几何图形质量的传统重投影（reprojection）方法。在执行二次打光时，研究者还证实 NLT 方法在光源数量减少时也能合理地运行，表明 NLT 方法也有可能适用于更小的光照平台。

控制变量研究

如下图 13 所示，研究者在二次打光任务上进行了 NLT 方法的控制变量研究。结果显示，去除模型的不同组件会不同程度地降低渲染质量。

 

模型网络包含两个路径，分别是查询路径（Query Path）和观察路径（Observation Path）。其中「观察路径」以基于目标光源和视角方向采样的 K 个临近观察结果（作为纹理空间残差图）为输入，并将它们编码成多尺度特征，最后将这些特征池化以消除对顺序和数量的依赖。

接着，将这些池化特征连接至「查询路径」的特征激活函数，「查询路径」以预期光源和视角方向（以余弦图的形式呈现）以及物理精确的漫反射基底（也在纹理空间中）作为输入。查询路径预测残差图，然后将其添加至漫反射基底，以生成纹理渲染结果。

由于整个网络都嵌入在人体对象的纹理空间中，所以我们可以根据输入和监督信号训练同一个模型来分别执行二次打光和视图合成，或者同时执行这两个操作。

实验结果

二次打光

如下表 3 所示，研究者对 NLT 方法与 Diffuse Base、Barycentric Blending、Deep Shading 等其他二次打光基线方法进行了定量评估，以 PSNR（峰值信噪比）、SSIM（结构相似性）和 LPIPS（学得感知相似性）作为评估指标。

此外，研究者还对 NLT 方法进行了控制变量研究。

结果表明，NLT 方法的性能优于所有的基线方法，但 Diffuse Rendering 和 Barycentric Blending 等简单的基线方法也取得了较高的分数。

（编辑：阜阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!