Видео: Актьорите-актьори могат да бъдат заменени с този A.I. Технология Един ден скоро

Нова система за изкуствен интелект е разработила компютърно анимирани каскадьори, които биха могли да направят филмите за действие по-хладни от всякога. Изследователи от Калифорнийския университет в Бъркли са разработили система, способна да пресъздаде някои от най-изтънчените движения в бойните изкуства, с потенциал да замени истинските човешки актьори.

Ученикът на университета в Бъркли Сюе Бин Джейсън Пенг казва, че технологията води до движения, които са трудни за отделяне от тези на хората.

"Това всъщност е доста голям скок от това, което е направено с дълбоко обучение и анимация", заяви Пенг в изявление, публикувано с неговото изследване, което беше представено на конференцията 2018 SIGGRAPH през август във Ванкувър, Канада през август. „В миналото много работа е влязла в симулиране на естествени движения, но тези физико-базирани методи са много специализирани; те не са общи методи, които могат да се справят с голямо разнообразие от умения.

„Ако сравните нашите резултати с улавянето на движение, записано от хората, стигаме до точката, където е доста трудно да се разграничат двете, за да се каже какво е симулация и какво е реално. Ние се движим към виртуален каскадьор."

В списанието беше публикуван доклад за проекта, наречен DeepMimic ACM Trans. диаграма през август. През септември, екипът направи данните и данните си за заснемане на движението на GitHub, за да могат други да пробват.

Екипът използва дълбоки техники за укрепване, за да научи системата как да се движи. Той взема данни за заснемане на движения от реални изпълнения, вкарва ги в системата и го настройва да практикува ходовете в симулация за еквивалент на цял месец, тренирайки 24 часа на ден. DeepMimic научи 25 различни хода като ритане и обратно заснемане, като сравнява резултатите си всеки път, за да види колко близо е до оригиналните mocap данни.

За разлика от други системи, които може да са опитвали и проваляли многократно, DeepMimic прекъсна преместването на стъпките, така че ако се провали в един момент, той би могъл да анализира неговата производителност и да го настрои в подходящия момент.

"Тъй като тези техники напредват, мисля, че те ще започнат да играят все по-голяма роля в киното", казва Пенг обратен, Въпреки това, тъй като филмите обикновено не са интерактивни, тези симулационни техники може да имат по-непосредствено въздействие върху игрите и VR.

„Всъщност симулираният характер, обучен с помощта на усилващо учене, вече открива пътя си към игрите. Инди игрите могат да бъдат много хубаво място за тестване на тези идеи. Но може да отнеме известно време, преди да са готови за титли AAA, тъй като работата със симулирани символи изисква доста драстична промяна от традиционните тръбопроводи за развитие."

Разработчиците на игри започват да експериментират с тези инструменти. Един разработчик успя да използва DeepMimic в двигателя на Unity:

Дами и господа, завършихме Backflip! Поздравления за Ringo, известен още като StyleTransfer002.144 - използвайки # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer обучава #ActiveRagoll от MoCap данни, известни като Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe

- Джо Буут (@iAmVidyaGamer) 1 ноември 2018 г.

Пенг се надява, че освобождаването на кода ще ускори приемането му. Той отбелязва също, че екипът "е говорил с редица разработчици на игри и анимационни студия за възможни приложения на тази работа, въпреки че все още не мога да отида в твърде много подробности за това."

Машините редовно се борят със сложни движения, както се вижда от роботите, играещи футбол, които тихо се спускат по тревата, вместо да изпълняват високооктанови движения. Има признаци на напредък, както A.I. овладява сложността на движенията в реалния свят и започва да се коригира повече като хора.

Може би един ден DeepMimic ще научи нов ход за секунди, подобно на това как Neo научава кунг-фу Матрицата.

Прочетете резюмето по-долу.

Дългогодишна цел в анимацията на героите е да комбинира базирана на данни спецификация на поведението със система, която може да изпълни подобно поведение при физическа симулация, като по този начин дава възможност за реалистични отговори на смущения и промени в околната среда. Ние показваме, че добре познатите методи за обучение за подсилване (RL) могат да бъдат адаптирани, за да научат стабилни политики за контрол, способни да имитират широк обхват от примерни клипове за движение, като същевременно изучават сложни възстановявания, адаптиране към промените в морфологията и постигане на зададените от потребителя цели. Нашият метод се занимава с ключови движения, високо-динамични действия като заснети движения и завъртания и пренасочени движения. Чрез комбиниране на цел за имитация на движението с цел, можем да обучим знаци, които реагират интелигентно в интерактивни настройки, например като вървят в желаната посока или хвърлят топката в зададена от потребителя цел. Този подход по този начин съчетава удобството и качеството на движението при използване на движещи се клипове, за да се определи желания стил и външен вид, с гъвкавост и обща полза от RL методите и анимацията, базирана на физиката. По-нататък ще проучим редица методи за интегриране на множество клипове в учебния процес, за да разработим мулти-квалифицирани агенти, способни да изпълняват богат репертоар от разнообразни умения. Ние демонстрираме резултати, използвайки няколко знака (човешки, Atlas робот, двукрак динозавър, дракон) и голямо разнообразие от умения, включително движение, акробатика и бойни изкуства.