@NVIDIAAI: 大多数运动控制论文将一个控制器定制给一个特定任务。今年在SIGGRAPH上，我们的研究团队提出：能否让电机控制…

X AI KOLs Timeline 论文
motion-control motor-skills generative-pretrained-controllers siggraph transformer physics-simulation fine-tuning

摘要

NVIDIA 研究提出了生成式预训练控制器（GPC），一种使用离散token和基于Transformer的下一token预测来预训练电机控制的方法，从而可以针对新任务进行微调。GPC在600多小时的运动数据上训练，可在实时物理仿真中运行，实现交互式控制。

大多数运动控制论文将一个控制器定制给一个特定任务。今年在SIGGRAPH上，我们的研究团队提出：电机控制本身能否被预训练并复用？ 生成式预训练控制器（GPC）将运动技能转化为离散token的词汇表，并通过下一token预测训练基于Transformer的生成式控制器。就像GPT一样，同一预训练控制器随后可以微调以解决新任务。 GPC在600多小时的运动数据上训练，在实时物理仿真中运行，产生自然且物理逼真的行为，适用于交互式控制。
查看原文
查看缓存全文

缓存时间: 2026/06/30 21:47

大多数运动论文都是将一个控制器与一个特定任务相绑定。今年在SIGGRAPH上，我们的研究团队提出了一个问题：运动控制本身能否被预训练并复用？

生成式预训练控制器（GPC）将运动技能转化为离散标记的词汇表，并通过下一标记预测训练一个基于Transformer的生成式控制器。就像GPT一样，同一个预训练控制器随后可以微调以解决新任务。

GPC在超过600小时的运动数据上训练，能够在物理模拟中实时运行，为交互控制生成自然且符合物理规律的行为。

相似文章

通用AI控制：迈向多用途自适应算法

arXiv cs.AI

提出了一种新颖的通用控制器，采用注意力机制和专家混合，使单个神经网络无需针对特定系统进行调优即可控制多种动态系统。在25个不同系统上，其性能与传统控制器相当。