人体运动仿真在仿人机器人研制、电影动画和虚拟现实中有着重要地位,仿真动作一般都是基于捕获数据的方法来实现,然而这种方法通常不具与环境的交互性。为提高仿真动作的真实性及交互能力,本文采用强化学习的方法进行训练,设计并实现了集人体运动数据处理、虚拟仿人机器人的建立、运动模型的控制、仿真动作的验证评价等功能的仿真系统。本文具体工作如下。首先,完成了人体运动数据处理转换的工作。构建了运动数据转换算法,将以欧拉角表示的关节运动数据转换为四元数形式,避免了万向节锁问题,方便系统进行数据使用。其次,基于Bullet物理引擎构建一个与真人相仿的虚拟机器人RLM(Reinforcement Learning Model),在关节尺寸、关节自由度、质量等方面都与人体比例相似。本文采用PD控制器法计算关节力矩,对控制器的参数离线优化进而生成最佳力矩控制关节运动。再次,提出了一种基于强化学习的运动控制方法。该方法以采集的运动数据作为目标值,设计了一种多奖励函数对RLM进行训练,最终输出合适的力矩驱动模型完成动作。结果表明使用该方法能有一个更高的奖励返回值,验证了该方法的有效性。最后,提出了一种基于相似度的评价方法进行仿真动作验证评价。设计了对RLM施加力和扔方块两种环境。提取RLM的关节角度及奖励值,实验验证,RLM在外部干扰的环境下奖励值曲线先下降后提高,最终恢复动作。同时RLM生成的仿真动作与参考目标数据的关节角度运动轨迹吻合。