Video: Stunt Herci mohou být nahrazeny tímto A.I. Technologie Jednoho dne brzy

Nový systém umělé inteligence vyvinul počítačově animované kaskadéry, kteří by mohli dělat akční filmy chladnější než kdy jindy. Výzkumní pracovníci na University of California, Berkeley vyvinuli systém schopný obnovit některé z nejkrásnějších pohybů v bojových uměních, s potenciálem nahradit skutečné lidské aktéry.

UC Berkeley postgraduální student Xue Bin 'Jason' Peng říká, že technologie vede k pohybům, které jsou těžké oddělit od lidí.

"Je to vlastně dost velký skok z toho, co bylo provedeno s hlubokým učením a animací," řekl Peng ve svém prohlášení, které bylo zveřejněno na jeho konferenci 2018 SIGGRAPH v srpnu v kanadském Vancouveru. „V minulosti se hodně práce dostalo do simulace přirozených pohybů, ale tyto metody založené na fyzice mají tendenci být velmi specializované; Nejedná se o obecné metody, které zvládnou širokou škálu dovedností.

„Pokud porovnáte naše výsledky s zachycením pohybu zaznamenaným od lidí, dostaneme se do bodu, kdy je obtížné tyto dva odlišit, říci, co je simulace a co je skutečné. Jdeme k virtuálnímu kaskadérovi. “

V časopise byl publikován článek o projektu nazvaném DeepMimic ACM Trans. Graf v srpnu. V září, tým dělal jeho kód a pohyb zachytit data dostupná na GitHub pro jiné vyzkoušet.

Tým použil techniky hlubokého zesílení, aby naučil systém, jak se pohybovat. To vzalo data zachycení pohybu od skutečných životních výkonů, krmil je do systému a nastavil to cvičit pohyby v simulaci pro ekvivalent celého měsíce, trénink 24 hodin denně. DeepMimic se naučil 25 různých pohybů, jako je kopání a zpětné záběry, pokaždé porovnal své výsledky, aby zjistil, jak blízko to přišlo k původním datům mocap.

Na rozdíl od jiných systémů, které se opakovaně pokoušely a selhaly, DeepMimic prolomil krok do kroků, takže pokud selhal na jednom místě, mohl analyzovat jeho výkon a podle toho vyladit ve správný okamžik.

„Jak tyto techniky postupují, myslím, že začnou hrát větší a větší roli ve filmech,“ říká Peng Inverzní. „Protože však filmy nejsou obecně interaktivní, mohou mít tyto simulační techniky bezprostřednější dopad na hry a VR.

„Ve skutečnosti, simulovaná postava trénovaná pomocí posilování učení již nachází cestu ke hrám. Indie hry by mohly být velmi pěkné testovací půdu pro tyto nápady. Může to chvíli trvat, než budou připraveny na tituly AAA, protože práce se simulovanými postavami vyžaduje docela drastický posun od tradičních vývojových potrubí. “

Vývojáři her začínají experimentovat s těmito nástroji. Jeden vývojář dokázal použít DeepMimic uvnitř herního engine Unity:

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

- Joe Booth (@iAmVidyaGamer) 1. listopadu 2018

Peng doufá, že vydání kódu urychlí jeho přijetí. Poznamenává také, že tým „hovořil s řadou vývojářů her a animačních studií o možných aplikacích této práce, i když o tom ještě nemůžu jít příliš mnoho informací.“

Stroje se pravidelně potýkají s komplexními pohyby, což dokazují roboti hrající fotbal, který jemně spadne přes trávu místo toho, aby dokončil jakékoli pohyby s vysokým oktanovým číslem. Tam jsou známky pokroku, jak A.I. dostává se do složitosti pohybů v reálném světě a začíná se korigovat spíše jako lidé.

Možná, že DeepMimic by se jednoho dne mohl naučit nový pohyb během několika vteřin, podobný tomu, jak se Neo učí kung fu Matice.

Přečtěte si abstrakt níže.

Dlouhodobým cílem v animaci postav je kombinovat specifikaci chování řízenou daty se systémem, který může provádět podobné chování ve fyzické simulaci, což umožňuje realistické reakce na poruchy a změny prostředí. Ukázali jsme, že dobře známé metody zesílení učení (RL) mohou být přizpůsobeny tak, aby se naučily robustní politiky řízení schopné napodobovat širokou škálu příkladů pohybových klipů, a zároveň se naučit složité zotavení, přizpůsobovat se změnám v morfologii a dosahovat uživatelem specifikovaných cílů. Naše metoda zpracovává keyframed pohyby, vysoce dynamické akce, jako je pohyb-zachytil převrátí a točí, a retargeted pohyby. Spojením cíle imitace pohybu s cílem úkolu můžeme trénovat postavy, které inteligentně reagují v interaktivním prostředí, např. Chůzí v požadovaném směru nebo házením míče na uživatelem specifikovaný cíl. Tento přístup tak spojuje pohodlí a kvalitu pohybu pomocí pohybových klipů, aby definoval požadovaný styl a vzhled, s flexibilitou a obecností, kterou poskytují metody RL a animace založená na fyzice. Dále zkoumáme řadu metod pro integraci více klipů do procesu učení, abychom vyvinuli agenty s více dovednostmi, kteří jsou schopni provádět bohatý repertoár různých dovedností. Výsledky demonstrujeme pomocí několika znaků (člověk, robot Atlas, dinosaurus bipedal, drak) a širokou škálu dovedností, včetně lokomoce, akrobacie a bojových umění.