Видео: Трюковые актеры могут быть заменены этим А.И. Технология Однажды Скоро

Новая система искусственного интеллекта разработала каскадеров с компьютерной анимацией, которые могут сделать боевики круче, чем когда-либо. Исследователи из Калифорнийского университета в Беркли разработали систему, способную воссоздать некоторые из самых блестящих движений в боевых искусствах, способные заменить реальных актеров-людей.

Аспирантка Калифорнийского университета в Беркли Сюэ Бин «Джейсон» Пэн говорит, что технология приводит к движениям, которые трудно отделить от движений людей.

«Это на самом деле довольно большой скачок от того, что было сделано с помощью глубокого обучения и анимации», - сказал Пэн в заявлении, опубликованном вместе с его исследованием, которое было представлено на конференции SIGGRAPH 2018 года в августе в Ванкувере, Канада, в августе. «В прошлом большая часть работы была посвящена моделированию естественных движений, но эти физические методы имеют тенденцию быть очень специализированными; это не общие методы, которые могут справиться с большим разнообразием навыков.

«Если вы сравните наши результаты с захватом движения, записанным от людей, мы подходим к тому, что довольно трудно различить их, сказать, что такое симуляция и что реально. Мы движемся к виртуальному каскадеру ».

В журнале была опубликована статья о проекте под названием DeepMimic. ACM Trans. график в августе. В сентябре команда сделала свои данные о коде и захвате движения доступными на GitHub для других пользователей.

Команда использовала методы глубокого обучения, чтобы научить систему двигаться. Он брал данные захвата движения из реальных выступлений, вводил их в систему и настраивал на практике движения в симуляции для эквивалента целого месяца, тренируясь 24 часа в сутки. DeepMimic изучил 25 различных движений, таких как удары ногами и сальто назад, сравнивая результаты каждый раз, чтобы увидеть, насколько близко они подошли к исходным данным mocap.

В отличие от других систем, которые, возможно, неоднократно пытались и выходили из строя, DeepMimic разбивал процесс на этапы, поэтому, если он потерпел неудачу в какой-то момент, он мог проанализировать свою производительность и соответствующим образом настроить в нужный момент.

«По мере развития этих методов, я думаю, они будут играть все большую и большую роль в кино», - рассказывает Пэн. обратный, «Однако, поскольку фильмы, как правило, не являются интерактивными, эти методы моделирования могут оказать более непосредственное влияние на игры и виртуальную реальность.

«Фактически, симулированный персонаж, обученный с помощью обучения подкреплению, уже находит свой путь в игры. Инди-игры могут стать отличным испытательным полигоном для этих идей. Но это может занять больше времени, прежде чем они будут готовы к названиям AAA, поскольку работа с симулированными персонажами требует довольно радикального перехода от традиционных конвейеров разработки ».

Разработчики игр начинают экспериментировать с этими инструментами. Один разработчик смог использовать DeepMimic внутри игрового движка Unity:

Дамы и господа, мы завершили Бэкфлип! Поздравляю Ринго, иначе StyleTransfer002.144 - используя # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer обучает #ActiveRagoll из данных MoCap, также известного как Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe

- Джо Бут (@iAmVidyaGamer) 1 ноября 2018 года

Пэн надеется, что выпуск кода ускорит его принятие. Он также отмечает, что команда «говорила с рядом разработчиков игр и анимационных студий о возможных приложениях этой работы, хотя я пока не могу вдаваться в подробности».

Машины регулярно борются со сложными движениями, о чем свидетельствуют роботы, играющие в футбол, которые мягко падают по траве, вместо того, чтобы выполнять какие-либо высокооктановые движения. Есть признаки прогресса, так как А.И. справляется со сложностями движений реального мира и начинает исправляться, как люди.

Возможно, однажды DeepMimic сможет за несколько секунд выучить новый ход, подобно тому, как Нео изучает кунг-фу в Матрица.

Прочитайте реферат ниже.

Давняя цель анимации персонажей состоит в том, чтобы объединить управляемую данными спецификацию поведения с системой, которая может выполнять аналогичное поведение в физической симуляции, обеспечивая таким образом реалистичные ответы на возмущения и изменения окружающей среды. Мы показываем, что хорошо известные методы обучения с подкреплением (RL) можно адаптировать для изучения надежных политик управления, способных имитировать широкий спектр примеров клипов движения, а также изучать сложные восстановления, адаптируясь к изменениям в морфологии и достигая определенных пользователем целей. Наш метод обрабатывает движения по ключевым кадрам, высокодинамичные действия, такие как сальто и вращения, захваченные движением, и перенаправленные движения. Комбинируя цель имитации движения с задачей задачи, мы можем обучать персонажей, которые интеллектуально реагируют, в интерактивных настройках, например, идя в желаемом направлении или бросая мяч в заданную пользователем цель. Таким образом, этот подход сочетает в себе удобство и качество движения при использовании клипов для определения желаемого стиля и внешнего вида, а также гибкость и универсальность, предоставляемые методами RL и анимацией на основе физики. Кроме того, мы исследуем ряд методов для интеграции нескольких клипов в учебный процесс, чтобы разработать мульти-квалифицированных агентов, способных выполнять богатый репертуар разнообразных навыков. Мы демонстрируем результаты, используя несколько персонажей (человек, робот Атлас, двуногий динозавр, дракон) и широкий спектр навыков, включая локомоцию, акробатику и боевые искусства.