抖音1分钟，姿势20种
先说明一点，这个叫做 SFV 的增强学习框架，目前还没实际应用到波士顿动力的机器人上。但在测试中，团队用了 Atlas 的机器人模型。
至少从目前论文和视频的效果看，人类是该发抖了。
SFV，即 Skills from Videos。全名，从视频中学习身体动作的增强学习框架。
我们常看的科幻片里，每个栩栩如生的虚拟人物背后，都有一个真人演员。使用特效技术捕捉到演员的动作，再同步到电脑中的虚拟角色上。但这种系统用起来相当麻烦，不仅需要大量的辅助仪器，还只能在室内用。
但有了 SFV 框架，就省钱省力多了。结合计算机视觉和强化学习技术，模拟角色就能学会各种姿势，无需任何手动姿势注释。
看个视频，学会 20 种杂技动作不是梦。侧手翻，前手翻，直体后空翻…简直是要做体操运动员的节奏啊，或许不久的将来可以举办人工智能奥运会了。
那么如此逆天的框架是怎么进行的呢？
要让 Atlas 学会后空翻，必须分三步：姿势估计、动作重建和动作模仿。
SFV框架的运作阶段
输入视频首先接受段姿势估计的处理，预测每一帧中角色的姿势。接下来，动作重建阶段将姿势估计结果固化为参考动作，并修复姿势估计结果可能带来的失真。最后，将参考动作输入到动作模仿阶段，利用强化学习训练模拟角色模仿动作。
我们详细来说~
姿势估计姿势估计就像是照相机。在一个给定的视频中，基于视觉的姿势，估计器会预测动作执行者在每一帧的姿势，并且脑补出该运动如何执行合理的结果。
