Notes on “feature-base locomotion controllers”

control physics-based chacters based on high-level feature of movements, such as com, angular momentum, and end-effectors.

控制器方法：真实感＼鲁棒＼直观

多在关节空间内实现：坐标转换＼动作风格上有难度，不易修改

因此考虑更高层特征：COM等

但，

1.选择哪些高层特征？

2.如何控制这些特征？

4

本文表明： 可用少量、直观的特征集及对平衡和效应器的目标函数表达，使用带优先级的优化同时操纵多个控制器。

优点：

1.某些人体动作特点可自动获得而不用特别考虑，如手臂摆动、肩与臀相对运动等

2.对质量变化鲁棒

3.易迁移到其它骨架

4.不使用捕获数据或者离线优化

Related Work

几篇重要的文章果然都在关节空间内里呀

参数实在难以手工调啊，所有有些优化来搞一搞啊， Wang 2009的文章必须看一看啊

但优化代价大啊，换个控制器、换个人都要重新来一遍啊

大家又想使用部分动作数据啊，又有一堆的工作啊 Hodgins Zordan da Silva Abe 是大佬啊

不用关节空间也有人啊，用的那是高层任务(task)的控制啊

Hsu Khatib Liegeois Nakamura 搞得早啊，197x 198x啊 Abe Popovic 2006

Nakanishi 2008就写 Survey过啊，必须读的第二篇啊

原始的任务空间的方法是基于null-space perators的，用来处理机器人manipulators的冗余

除了null-space projection，可以所有任务组合进一个QP里。

在平衡和reach out上表现灰常好

而在locomotion上，仅限于 tracking motion capture data

而本文就说了，不用m c 也可以！

而且处理weighted combination strict prioritization unilateral constraints只要一个framework中！

尽管像task-level，我们仍叫它 feature….[有点汗啊]

VMC啊，你怎么就不处理冗余呢？ 用OSC啊，再搞搞constraint的优先级

3. Feature-based Control