Video: Stunt Actors gali būti pakeistas šiuo A.I. Technologija Vieną dieną

Nauja dirbtinio intelekto sistema sukūrė kompiuterinius animuotus kaskadininkus, kurie galėtų filmus atvėsti, nei bet kada anksčiau. Kalifornijos universiteto mokslininkai, Berklis, sukūrė sistemą, galinčią atkurti kai kuriuos lenkiausius kovos menų judesius, galinčius pakeisti realius žmones.

„UC Berkeley“ absolventas Xue Bin „Jason“ Pengas sako, kad technologija sukelia sunkius atskirti nuo žmonių judesių.

„Tai iš tikrųjų yra gana didelis šuolis iš to, kas buvo padaryta giliai mokantis ir animuodamas“, - Peng sakė savo tyrime, kuris buvo paskelbtas 2018 m. SIGGRAPH konferencijoje rugpjūčio mėn. Vankuveryje, Kanadoje. „Anksčiau daugybė darbų buvo imituoti gamtos judesius, tačiau šie fizikos metodai yra labai specializuoti; jie nėra bendri metodai, galintys tvarkyti įvairius įgūdžius.

„Jei palyginsite savo rezultatus su judesio užfiksavimu, įrašytu iš žmonių, mes pasiekiame tokį tašką, kur yra gana sunku atskirti abu, pasakyti, kas yra modeliavimas ir kas yra reali. Važiuojame į virtualų kaskadininką. “

Žurnale buvo paskelbtas projektas „DeepMimic“ ACM Trans. Grafikas rugpjūtį. Rugsėjo mėn. Komanda GitHub sukūrė savo kodo ir judesio duomenų rinkimo duomenis kitiems.

Komanda naudojo gilias stiprinimo mokymosi metodikas, kad mokytų sistemą kaip judėti. Buvo imtasi judesio surinkimo duomenų iš realaus gyvenimo pasirodymų, įnešę juos į sistemą ir nustatė, kad treniruotės treniruojasi visą mėnesį, treniruotės 24 valandas per parą. „DeepMimic“ išmoko 25 skirtingus judesius, pvz., Smūgius ir atgal, palygindama savo rezultatus kiekvieną kartą, kad pamatytų, kaip arti jis pasiekė originalius duomenų kopijos duomenis.

Skirtingai nuo kitų sistemų, kurios pakartotinai bandė ir nepavyko, „DeepMimic“ pertraukė žingsnį į žingsnį, taigi, jei jis nepavyko vienu momentu, jis galėjo analizuoti jo veikimą ir patikslinti reikiamu momentu.

„Kadangi šie metodai progresuoja, manau, kad jie pradės žaisti didesnį ir didesnį vaidmenį filmuose“, - sako Pengas Inversinis. „Kadangi filmai paprastai nėra interaktyvūs, šie modeliavimo būdai gali turėti tiesioginį poveikį žaidimams ir VR.

„Iš tikrųjų, simuliuojamasis simbolis, apmokytas naudojant armatūros mokymąsi, jau suranda kelią į žaidimus. Indie žaidimai gali būti labai gražus šių idėjų bandymų pagrindas. Bet tai gali užtrukti ilgiau, kol jie bus pasirengę AAA pavadinimams, nes dirbant su simuliuojamais simboliais reikia gana drastiško perėjimo nuo tradicinių vamzdynų. “

Žaidimų kūrėjai pradeda eksperimentuoti su šiais įrankiais. Vienas kūrėjas sugebėjo naudoti „DeepMimic“ „Unity“ žaidimo variklyje:

Ponios ir ponai, baigėme „Backflip“! Sveikiname Ringo, dar žinomą kaip StyleTransfer002.144, naudodami # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer treniruoja #ActiveRagoll iš MoCap duomenų, žinomų kaip Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer) 2018 m. Lapkričio 1 d

Pengas tikisi, kad kodo atleidimas pagreitins jos priėmimą. Jis taip pat pažymi, kad komanda „kalbėjo su daugybe žaidimų kūrėjų ir animacinių studijų apie galimas šio darbo programas, nors aš negaliu apie tai išsamiai aptarti.“

Mašinos reguliariai kovoja su sudėtingais judesiais, kaip parodė futbolą žaidžiantys robotai, kurie švelniai sklinda per žolę, o ne užbaigia aukšto oktaninio judėjimo. Yra pažangos požymių, kaip A.I. susiduria su realaus pasaulio judesių sudėtingumu ir pradeda pataisyti save labiau kaip žmones.

Galbūt DeepMimic vieną dieną gali išmokti naują žingsnį, panašų į tai, kaip Neo mokosi kung fu Matrica.

Skaitykite žemiau esančią santrauką.

Ilgalaikis simbolių animacijos tikslas yra suderinti elgesį su duomenimis, kurie yra orientuoti į elgesį su sistema, galinčia atlikti panašų elgesį fiziniame modeliavime, tokiu būdu sudarant sąlygas realistiškai reaguoti į sutrikimus ir aplinkos pokyčius. Mes parodome, kad gerai žinomi stiprinimo mokymosi (RL) metodai gali būti pritaikyti išmokti patikimas valdymo politikos kryptis, galinčias imituoti plataus spektro judesio klipus, taip pat mokytis sudėtingų susigrąžinimų, prisitaikyti prie morfologijos pokyčių ir pasiekti vartotojo nurodytus tikslus. Mūsų metodas tvarko pagrindinius karkasinius judesius, labai dinamiškus veiksmus, tokius kaip judesiai užfiksuojami ir sukasi, ir tiksliniai judesiai. Sujungus judesio imitacijos tikslą su užduoties tikslu, mes galime treniruoti simbolius, kurie protingai reaguoja interaktyviuose nustatymuose, pvz., Vaikščioti norima kryptimi arba mesti kamuolį į vartotojo nurodytą tikslą. Tokiu būdu judesio klipų patogumas ir judesio kokybė susiejami, norint apibrėžti norimą stilių ir išvaizdą, lankstumą ir bendrumą, kurį suteikia RL metodai ir fizika pagrįsta animacija. Toliau nagrinėjame keletą metodų, kaip integruoti kelis įrašus į mokymosi procesą, siekiant sukurti daugialypius agentus, galinčius atlikti turtingą įvairių įgūdžių repertuarą. Mes parodome rezultatus naudojant kelis simbolius (žmogaus, Atlaso robotą, dvipusį dinozaurą, drakoną) ir daugybę įgūdžių, įskaitant judėjimą, akrobatiką ir kovos menus.