Video: Stunt Herci môžu byť nahradené týmto A.I. Technológia Jedného dňa čoskoro

Nový systém umelej inteligencie vyvinul počítačovo animované kaskadéry, ktoré by mohli robiť akčné filmy chladnejšie ako kedykoľvek predtým. Výskumní pracovníci na University of California, Berkeley vyvinuli systém schopný obnoviť niektoré z najkrajších pohybov v bojových umeniach s potenciálom nahradiť skutočných ľudských aktérov.

UC Berkeley postgraduálny študent Xue Bin 'Jason' Peng hovorí, že technológia má za následok pohyby, ktoré sú ťažké oddeliť od pohybov ľudí.

"Toto je vlastne dosť veľký skok z toho, čo sa urobilo s hlbokým učením a animáciou," povedal Peng vo svojom vyhlásení, ktoré bolo zverejnené na jeho konferencii 2018 SIGGRAPH v auguste v kanadskom Vancouveri. „V minulosti sa veľa práce venovalo simulovaniu prirodzených pohybov, ale tieto metódy založené na fyzike majú tendenciu byť veľmi špecializované; nie sú to všeobecné metódy, ktoré dokážu zvládnuť veľké množstvo zručností.

„Ak porovnáte naše výsledky s zachytávaním pohybu zaznamenaným od ľudí, dostávame sa do bodu, keď je veľmi ťažké rozlíšiť tieto dva, povedať, čo je simulácia a čo je skutočné. Prejdeme k virtuálnemu kaskadérovi. “

V časopise bol uverejnený príspevok o projekte, nazvaný DeepMimic ACM Trans. graf v auguste. V septembri, tím urobil svoj kód a údaje o zachytení pohybu k dispozícii na GitHub pre ostatných, aby sa pokúsili.

Tím použil techniky učenia hlbokého posilnenia, aby naučil systém, ako sa pohybovať. Zaznamenával údaje o zachytávaní pohybu z reálnych životných výkonov, podával ich do systému a nastavoval ho tak, aby cvičil pohyby v simulácii za ekvivalent celého mesiaca, školenia 24 hodín denne. DeepMimic naučil 25 rôznych pohybov, ako je kopanie a backflip, porovnanie jeho výsledky zakaždým, aby zistili, ako blízko to prišlo na pôvodné mocap dáta.

Na rozdiel od iných systémov, ktoré sa opakovane pokúšali a zlyhali, DeepMimic rozpadol krok do krokov, takže ak zlyhal na jednom mieste, mohol by analyzovať jeho výkon a podľa toho vyladiť.

"Ako tieto techniky postupujú, myslím, že začnú hrať väčšiu a väčšiu úlohu vo filmoch," hovorí Peng obrátený, „Keďže však filmy nie sú vo všeobecnosti interaktívne, tieto simulačné techniky by mohli mať bezprostrednejší vplyv na hry a VR.

„V skutočnosti, simulovaná postava, ktorá je zaškolená pomocou posilňovacieho učenia, si už nájde cestu k hrám. Indie hry by mohli byť veľmi pekné testovací dôvod pre tieto myšlienky. Môže to chvíľu trvať, kým budú pripravené na tituly AAA, pretože práca so simulovanými postavami si vyžaduje dosť drastický posun od tradičných vývojových potrubí. “

Vývojári hier začínajú experimentovať s týmito nástrojmi. Jednému vývojárovi sa podarilo použiť DeepMimic v hernom engine Unity:

Dámy a páni, dokončili sme Backflip! Gratulujeme Ringo, aka StyleTransfer002.144 - pomocou # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer vlaky #ActiveRagoll z MoCap dát aka Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer) 1. novembra 2018

Peng dúfa, že uvoľnenie kódu urýchli jeho prijatie. Poznamenáva tiež, že tím „rozprával s mnohými vývojármi hier a animačnými štúdiami o možných aplikáciách tejto práce, aj keď o tom nemôžem ísť príliš veľa detailov.“

Stroje pravidelne zápasia s komplexnými pohybmi, čo dokazujú roboti hrajúci futbal, ktorý jemne spadne cez trávu namiesto toho, aby dokončil akékoľvek pohyby s vysokým oktánovým číslom. Existujú náznaky pokroku, ako A.I. dostáva sa k tomu, aby sa vyrovnal s komplexnosťou pohybov v reálnom svete a začal sa opravovať viac ako ľudia.

Možno by DeepMimic mohol jedného dňa naučiť nový pohyb v priebehu niekoľkých sekúnd, podobný tomu, ako sa Neo učí kung fu Matrix.

Prečítajte si abstrakt nižšie.

Dlhodobým cieľom v animácii charakteru je kombinovať špecifikáciu správania riadenú údajmi so systémom, ktorý môže vykonávať podobné správanie vo fyzickej simulácii, čím sa umožní realistické reakcie na poruchy a zmeny prostredia. Ukázali sme, že dobre známe metódy výučby (RL) môžu byť prispôsobené tak, aby sa naučili robustné kontrolné politiky schopné napodobňovať širokú škálu príkladov pohybových klipov a zároveň sa učiť komplexným obnovám, prispôsobovať sa zmenám v morfológii a dosahovať užívateľom špecifikované ciele. Naša metóda zvláda keyframed pohyby, vysoko-dynamické akcie, ako je pohyb-zachytil flipsy a točí, a retargeted pohyby. Kombináciou cieľa imitácie pohybu s cieľom úlohy môžeme trénovať znaky, ktoré inteligentne reagujú v interaktívnych prostrediach, napr. Chôdzou v požadovanom smere alebo hádzaním lopty na cieľ určený užívateľom. Tento prístup teda kombinuje pohodlie a kvalitu pohybu pomocou pohybových klipov na definovanie požadovaného štýlu a vzhľadu s flexibilitou a všeobecnosťou, ktorú poskytujú metódy RL a animácia založená na fyzike. Ďalej skúmame množstvo metód na integráciu viacerých klipov do procesu učenia s cieľom vyvinúť multikvalifikovaných agentov schopných vykonávať bohatý repertoár rôznych zručností. Výsledky demonštrujeme pomocou viacerých znakov (človek, robot Atlas, bipedálny dinosaurus, drak) a širokú škálu zručností vrátane pohybu, akrobacie a bojových umení.