본 논문에서는 캐릭터의 걷기 동작 데이터를 변형하는 방법을 제안한다. 이를 위하여 주 관절(root joint)의 이동 경로를 그래프로 분석하고 라플라스 연산자를 이용해 변형하는 방법을 사용한다. 주 관절의 경로는 동작 데이터의 각 프레임별 위치와 방향을 정점으로 하고 이를 인접 프레임의 정점과 연결한 그래프 형태로 나타낸다. 주 관절 경로를 라플라스 연산자를 이용하여 좌표계를 변환하고 이를 목표 위치 및 방향에 맞도록 반복적인 방법으로 해를 구하여 변형한다. 이 방법을 이용하여 동작 데이터의 걷기 스타일을 유지하면서 다양한 경로의 걷기 동작을 얻을 수 있게 되며 많은 비용이 드는 동작 데이터 취득을 최소화할 수 있다. 최종 모션은 변형된 주 관절 경로를 기준으로 기존 모션의 다른 관절을 위치시키고 후처리하여 생성한다. 본 논문에서 제안한 방법을 응용함으로써 적은 모션 데이터로도 복잡한 환경에서 캐릭터의 걷는 동작을 생성하는 것을 보인다.

본 논문에서는 확률적 모델예측제어(model predictive control) 기법을 이용하여 예제 동작 데이터가 주어지면 물리 기반 시뮬레이션 환경에서 그 동작을 모방할 수 있는 캐릭터 동작 제어기를 빠르게 학습할 수 있는 간편한 지도 학습(supervised learning) 프레임워크를 제안한다. 제안된 프레임워크는 크게 학습 데이터 생성과 오프라인 학습의 두 컴포넌트로 구성된다. 첫번째 컴포넌트는 예제 동작 데이터가 주어지면 확률적 모델예측제어를 통해 그 동작 데이터를 추적하기 위한 최적 제어기를 캐릭터의 현재 상태로부터 시작하여 가까운 미래 상태까지의 시간 윈도우에 대해 주기적으로 업데이트하면서 그 최적 제어기를 통해 캐릭터의 동작을 확률적으로 제어한다. 이러한 주기적인 최적 제어기의 업데이트와 확률적 제어는 주어진 예제 동작 데이터를 모방하는 동안 캐릭터가 가질 수 있는 다양한 상태들을 효과적으로 탐색하게 하여 지도 학습에 유용한 학습 데이터를 수집할 수 있게 해준다. 이렇게 학습 데이터가 수집되면, 오프라인 학습 컴포넌트에서는 그 수집된 데이터를 정규화 시켜서 데이터에 내제된 크기와 단위의 차이를 조정하고 지도 학습을 통해 제어기를 위한 간단한 구조의 인공 신경망을 학습시킨다. 걷기 동작과 달리기 동작에 대한 실험은 본 논문에서 제안한 학습 프레임워크가 물리 기반 캐릭터 동작 제어기를 빠르고 효과적으로 생성할 수 있음을 보여준다.