Video: Stunt igralci lahko nadomestijo s tem A.I. Tehnologija en dan kmalu

Nov sistem umetne inteligence je razvil računalniško animirane kaskaderje, ki bi lahko naredili filme za akcijo bolj hladne kot kdajkoli prej. Raziskovalci na Kalifornijski univerzi v Berkeleyju so razvili sistem, ki je zmožen ponovno ustvariti nekaj najlepših premikov v borilnih veščinah, s potencialom, da zamenjajo resnične človeške akterje.

Podiplomski študent UC Berkeley Xue Bin, Jason Peng, pravi, da tehnologija povzroča premike, ki jih je težko ločiti od tistih pri ljudeh.

"To je pravzaprav precej velik preskok od tistega, kar smo naredili z globokim učenjem in animacijo," je dejal Peng v izjavi, objavljeni s svojo raziskavo, ki je bila predstavljena na konferenci SIGGRAPH 2018 v avgustu v Vancouvru v Kanadi. »V preteklosti je bilo veliko dela vloženega v simulacijo naravnih gibanj, vendar so te metode, ki temeljijo na fiziki, zelo specializirane; niso splošne metode, ki lahko obvladajo veliko različnih veščin.

»Če primerjamo naše rezultate s posnetkom gibanja, posnetim od ljudi, pridemo do točke, kjer je težko razlikovati med njimi, da bi povedali, kaj je simulacija in kaj je resnično. Gremo proti virtualnemu kaskaderju. «

V reviji je bil objavljen dokument o projektu, imenovan DeepMimic ACM Trans. Graf v avgustu. V septembru je ekipa naredila svojo kodo in podatke o zajemanju gibanja na voljo na GitHubu, da bi drugi poskusili.

Ekipa je uporabila tehnike učenja za globoko okrepitev, da bi sistem naučila, kako se premikati. Vzel je gibanje za zajem podatkov iz resničnih življenjskih performansov, jih vnesel v sistem in nastavil, da vadijo gibe v simulaciji za ekvivalent celotnega meseca, usposabljanje 24 ur na dan. DeepMimic se je naučil 25 različnih gibov, kot sta brcanje in povratne spore, in vsakič primerjal rezultate, da bi videl, kako blizu so bili izvirni podatki mocapa.

Za razliko od drugih sistemov, ki so morda že večkrat poskušali in so neuspešni, je DeepMimic prestavil korak v korake, tako da bi, če ne bi uspel na eni točki, analiziral svojo učinkovitost in ustrezno prilagodil trenutek.

»Ko te tehnike napredujejo, mislim, da bodo začele igrati večjo in večjo vlogo v filmih,« pravi Peng Inverse. »Ker pa filmi na splošno niso interaktivni, imajo te simulacijske tehnike lahko bolj neposreden vpliv na igre in VR.

»Pravzaprav so simulirani znani, ki se učijo z učenjem z ojačanjem, že našli pot do iger. Indie igre bi lahko bile zelo dober testni teren za te ideje. Vendar pa lahko traja še nekaj časa, preden so pripravljeni za naslove AAA, saj delo s simuliranimi znaki zahteva precej drastičen premik od tradicionalnih razvojnih cevovodov."

Razvijalci iger začnejo eksperimentirati s temi orodji. En razvijalec je uporabil DeepMimic v motorju za igre Unity:

Dame in gospodje, zaključili smo Backflip! Čestitke za Ringo, prav tako StyleTransfer002.144 - z uporabo # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer usposablja #ActiveRagoll iz MoCap podatkov aka Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer) 1. november 2018

Peng upa, da bo sprostitev kodeksa pospešila njegovo sprejetje. Prav tako ugotavlja, da se je ekipa »pogovarjala s številnimi razvijalci iger in animacijskimi studii o možnih aplikacijah tega dela, čeprav o tem še ne morem več govoriti.«

Stroji se redno spopadajo s kompleksnimi potezami, kar dokazujejo roboti, ki igrajo nogomet, ki se mehko prevrnejo čez travo, namesto da bi zaključili kakršnekoli visoke oktanske premike. Obstajajo znaki napredka, kot je A.I. se spoprijema s kompleksnostjo gibanj v realnem svetu in se začne bolj popravljati kot ljudje.

Morda bi lahko DeepMimic nekega dne izvedel novo potezo v nekaj sekundah, podobno kot se Neo nauči kung fu Matrica.

Preberite povzetek spodaj.

Dolgoročni cilj pri animaciji znakov je združiti podatkovno usmerjeno specifikacijo obnašanja s sistemom, ki lahko izvede podobno obnašanje v fizični simulaciji in tako omogoči realistične odzive na motnje in okoljske spremembe. Pokazali smo, da se lahko dobro znane metode učenja učenja (RL) prilagodijo tako, da se naučijo trdnih politik nadzora, ki lahko oponašajo širok spekter primerov posnetkov gibanja, hkrati pa se učijo kompleksne obnove, prilagajajo se spremembam v morfologiji in dosegajo cilje, ki jih določi uporabnik. Naša metoda obravnava gibanje s ključi, visoko dinamična dejanja, kot so posnetki, ki jih posnamejo gibi, in vrtljaji, ter ponovno usmerjena gibanja. S kombinacijo cilja imitacije gibanja in cilja naloge lahko usposobimo znake, ki se inteligentno odzovejo v interaktivnih nastavitvah, npr. S hojo v želeni smeri ali metanjem žoge na cilj, ki ga določi uporabnik. Ta pristop tako združuje udobje in kakovost gibanja pri uporabi filmskih posnetkov za določanje želenega sloga in videza, s fleksibilnostjo in splošnostjo, ki jo omogočajo metode RL in animacija na osnovi fizike. Nadalje raziskujemo številne metode za integracijo večkratnih posnetkov v učni proces, da bi razvili multikvalificirane agente, ki lahko izvajajo bogat repertoar različnih veščin. Prikazujemo rezultate z uporabo več znakov (človek, Atlas robot, dvopedalni dinozaver, zmaj) in veliko različnih veščin, vključno s premikanjem, akrobacijami in borilnimi veščinami.