Tez No	İndirme	Tez Künye	Durumu
421344		Synthesizing data driven and physics based character motions with mathematical methods / Matematiksel yöntemlerle veri güdümlü ve fizik tabanlı karakter hareketlerinin sentezlenmesi Yazar:ZÜMRA KAVAFOĞLU Danışman: PROF. DR. HAŞMET GÜRÇAY ; DOÇ. DR. TOLGA KURTULUŞ ÇAPIN Yer Bilgisi: Hacettepe Üniversitesi / Fen Bilimleri Enstitüsü / Matematik Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Matematik = Mathematics Dizin:Doğrusal olmayan optimizasyon = Non-linear optimization ; PD kontrol = PD control ; İnsan animasyonu = Human animation	Onaylandı Doktora İngilizce 2016 112 s.
Hem fiziksel gerçekçiliğe hem de insansı stile sahip karakter hareketlerinin sentezlenmesi, insan vücudunun yüksek boyutlu ve karmaşık yapısı göz önüne alındığında çözülmesi zor bir problem oluşturmaktadır. Hareket yakalama teknolojisi ve kinematik hareket sentezleme alanındaki son gelişmeler oldukça doğal stillere sahip insansı karakter hareketlerinin sentezlenmesini sağlamaktadır. Ancak bu kinematik tekniklerle sentezlenmiş hareketler önceden üretilmiş referans veriye bağımlı olduklarından, çevreyle gerçekçi etkileşim yetisinden yoksundurlar. Bu noktada, fizik tabanlı simülasyonun karakter hareket sentezleme sürecine dahil edilmesi ihtiyacı doğmaktadır. İnsansı karakter hareketlerinin yüksek boyutlu ve eksik tahrikli doğası ile baş edebilmek için hareket sentezleme yaklaşımlarında matematiksel optimizasyon ve öğrenme yöntemlerinden faydalanmak oldukça yaygındır. Biz bu tezde, matematiksel optimizasyon yöntemleri kullanarak iki yeni fizik tabanlı yaklaşım sunmaktayız. Ortaya koyulan ilk yaklaşım sağlam ve doğal ağırlık verme hareketleri üreten bir duruş kontrolcüsünün geliştirilmesidir. Bu yaklaşımda optimal karakter duruşlarının sentezlenmesi için doğrusal olmayan bir optimizasyon problemi tasarlanmıştır. Ortaya koyulan ikinci yaklaşım ise girdi olarak verilen referans hareketlerin stilini taklit eden bir veri güdümlü yürüme kontrol sistemidir. Bu yaklaşımda Kovaryans Matris Adaptasyonu yöntemi kullanılarak çevrimdışı bir optimizasyon yöntemiyle katsayı-fark eğrisi öğrenilmiştir. Öğrenilen bu eğri kullanılarak Sanal Kuvvet Modeli tabanlı hız ayarlama işleminin sanal kuvvet ve hız değişimi bileşenleri ilişkilendirilmiş ve bu sayede referans hareketlerin adım içi hız eğrilerinin yakın takibi sağlanmıştır.
Synthesizing character motions that achieve a compromise between physical realism and humanistic style constitutes a challenging problem due to the complex structure of the human body. Recent advances in motion capture technology and kinematic motion synthesis research enable the generation of human-like character motions with quite natural style. However, these kinematic motions lack the ability of realistic interactions with the environment, as a result of their dependence on pre-produced reference motions. At that point, the need for including physics based simulation in character motion synthesis arises. Mathematical optimization and learning methods are widely exploited in character motion synthesis approaches in order to cope with the high dimensional and under-actuated nature of human-like character motion. In this thesis, we propose two physics based approaches for synthesizing human-like character motions by using mathematical optimization methods. The first approach proposed is a control framework, which generates robust and natural balance shifting motions during standing. In this approach we devise a nonlinear optimization problem with quadratic constraints for synthesizing optimal character postures. The second approach is a data-driven walking control framework which synthesizes physics based walking motions that mimic the style of the given reference motions as input. In this approach we learn a gain-deviation relation curve with an offline optimization method by using Covariance Matrix Adaptation. We achieve close tracking of the intra-step variations of the reference motion by relating the virtual force and the velocity deviation of the Virtual Model Control based velocity tuning process with this learned relation curve.