Video: Stunt Glumci mogu biti zamijenjeni ovim A.I. Tehnologija Jedan dan uskoro

Novi sustav umjetne inteligencije razvio je računalno animirane kaskadere koji bi filmove o akciji mogli učiniti hladnijima nego ikad. Istraživači sa Sveučilišta u Kaliforniji, Berkeley, razvili su sustav koji je sposoban rekreirati neke od najlukavih poteza u borilačkim vještinama, s potencijalom da zamijeni stvarne ljudske aktere.

Učenik postdiplomskog sveučilišta u Berkeleyu Xue Bin, Jason Peng, kaže da tehnologija rezultira pokretima koji su teški za odvajanje od onih u ljudi.

"Ovo je zapravo prilično velik skok od onoga što je učinjeno s dubokim učenjem i animacijom", rekao je Peng u priopćenju objavljenom u svom istraživanju koje je predstavljeno na SIGGRAPH-ovoj konferenciji 2018. u kolovozu u Vancouveru, Kanada. “U prošlosti je mnogo rada prošlo u simuliranju prirodnih kretanja, ali te metode temeljene na fizici imaju tendenciju da budu vrlo specijalizirane; oni nisu opće metode koje se mogu nositi s velikim brojem vještina.

“Ako usporedite naše rezultate s snimanjem pokreta snimljenim od ljudi, dolazimo do točke u kojoj je prilično teško razlikovati to dvoje, reći što je simulacija i što je stvarno. Krećemo se prema virtualnom kaskaderu."

U časopisu je objavljen članak o projektu pod nazivom DeepMimic ACM Trans. Grafikon u kolovozu. U rujnu, tim je napravio svoj kod i podatke o snimanju pokreta dostupnim na GitHubu kako bi ih drugi mogli isprobati.

Tim je koristio tehnike učenja dubokog pojačanja kako bi sustav naučio kako se kretati. Poduzela je podatke o snimanju pokreta iz stvarnih performansi, ubacila ih u sustav i namjestila da prakticira poteze u simulaciji za ekvivalent cijelog mjeseca, trenirajući 24 sata dnevno. DeepMimic je naučio 25 različitih poteza kao što su udaranje nogom i backflips, uspoređujući svoje rezultate svaki put kako bi vidjeli koliko je blizu došlo do izvornih mocap podataka.

Za razliku od drugih sustava koji su pokušavali i neuspješno ponavljali, DeepMimic je pokvario potez u koracima, tako da ako u jednom trenutku nije uspio, mogao bi analizirati njegovu izvedbu i prilagoditi ga u pravom trenutku.

"Kako te tehnike napreduju, mislim da će početi igrati veću i veću ulogu u filmovima", kaže Peng Inverzan, “Međutim, budući da filmovi uglavnom nisu interaktivni, ove tehnike simulacije mogu imati izravniji utjecaj na igre i VR.

“Zapravo, simulirani lik obučen pomoću učenja učvršćivanja već pronalazi svoj put do igara. Indie igre mogu biti vrlo lijep poligon za ove ideje. No, može potrajati još neko vrijeme prije nego što budu spremni za AAA naslove, jer rad s simuliranim likovima zahtijeva prilično drastičan pomak od tradicionalnih razvojnih cjevovoda.

Programeri igara počinju eksperimentirati s tim alatima. Jedan je programer uspio koristiti DeepMimic unutar motora igre Unity:

Dame i gospodo, završili smo Backflip! Čestitke za Ringo, zvani StyleTransfer002.144 - koristeći # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer obučava #ActiveRagoll iz MoCap podataka aka Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer) 1. studenog 2018

Peng se nada da će objavljivanje kodeksa ubrzati njegovo usvajanje. Također primjećuje da je tim "razgovarao s brojnim programerima igara i animacijskim studijima o mogućim primjenama ovog posla, iako još ne mogu preći u detalje."

Strojevi se redovito bore sa složenim potezima, kao što pokazuju roboti koji igraju nogomet i koji se tiho prevrću po travi umjesto da završe bilo kakve visoke oktanske poteze. Postoje znakovi napretka, kao A.I. se uhvati u koštac sa složenošću pokreta u stvarnom svijetu i počne se ispravljati više kao ljudi.

Možda bi DeepMimic jednoga dana mogao naučiti novi potez, slično onome kako Neo uči kung fu Matrica.

Pročitajte sažetak ispod.

Dugogodišnji cilj u animaciji znakova je kombinirati specifikaciju ponašanja vođenu s podacima sa sustavom koji može izvršiti slično ponašanje u fizičkoj simulaciji, omogućujući tako realne odgovore na poremećaje i varijacije okoliša. Pokazali smo da se dobro poznate metode učenja učenja (RL) mogu prilagoditi učenju robusne politike kontrole koja može imitirati širok raspon primjera klipova pokreta, istovremeno učeći kompleksne oporavke, prilagođavajući se promjenama u morfologiji i ostvarujući ciljeve koje je odredio korisnik. Naša metoda rukuje ključnim potezima, visoko-dinamičkim radnjama kao što su pokreti snimljeni okretni i okretni, te ponovno ciljana kretanja. Kombiniranjem cilja imitacije pokreta s ciljem zadatka, možemo trenirati znakove koji inteligentno reagiraju u interaktivnim postavkama, npr. Hodanjem u željenom smjeru ili bacanjem lopte na cilj koji je odredio korisnik. Ovakav pristup kombinira praktičnost i kvalitetu pokreta pomoću pokretnih isječaka za definiranje željenog stila i izgleda, uz fleksibilnost i općenitost koju pružaju RL metode i animacija temeljena na fizici. Dalje istražujemo brojne metode za integriranje više isječaka u proces učenja kako bismo razvili multi-kvalificirane agente sposobne za obavljanje bogatog repertoara različitih vještina. Pokazujemo rezultate pomoću više znakova (ljudi, atlas robota, dvonožnog dinosaura, zmaja) i velikog broja vještina, uključujući kretanje, akrobacije i borilačke vještine.