近日，DeepMind发布新论文《Neural probabilistic motor primitives for humanoid control》，重点讨论学习运动神经基元问题，该模块可以灵活地排除一系列行为，以控制高维物理模拟人形机器人。为此，研究团队提出一种运动神经架构，其具有带有潜变量瓶颈的逆模型的一般结构。研究证明了这一点可以完全离线训练模型。如此一来，训练有素神经概率运动原语系统可以对全身人形行为进行一次性模仿，有效地模仿看不见的轨迹。此外，研究团队还证明了训练控制器重用学习的运动原始空间来解决任务也是直截了当的，并且由此产生的动作是相对自然的。