Видео: Стунт Глумци могу бити замењени овим А.И. Технологија Један дан ускоро

Нови систем вештачке интелигенције развио је компјутерски анимиране каскадере који су могли да учине филмове о акцији хладнијима него икад. Истраживачи са Калифорнијског универзитета у Берклију развили су систем који је у стању да креира неке од најфинијих потеза у борилачким вештинама, са потенцијалом да замени стварне људске актере.

Дипломац Универзитета Беркелеи Ксуе Бин Јасон Пенг каже да технологија резултира покретима који су тешки за раздвајање од људи.

"Ово је заправо велики скок од онога што је учињено са дубоким учењем и анимацијом", рекао је Пенг у саопштењу објављеном у свом истраживању које је представљено на СИГГРАПХ конференцији 2018. у августу у Ванкуверу у Канади. „У прошлости је много рада прошло у симулацији природних кретања, али ове методе засноване на физици су обично веома специјализоване; они нису опште методе које могу да поднесу велики број различитих вештина.

„Ако упоредимо наше резултате са снимањем покрета снимљеним од људи, стижемо до тачке где је прилично тешко разликовати ово двоје, рећи шта је симулација и шта је стварно. Крећемо се ка виртуалном каскадеру."

У часопису је објављен чланак о пројекту, назван ДеепМимиц АЦМ Транс. Грапх у августу. У септембру, тим је направио свој код и податке о снимању покрета на ГитХуб-у да би други покушали.

Тим је користио технике учења дубоког појачања како би научио систем како да се креће. Он је снимао податке о кретању из стварних перформанси, убацивао их у систем и постављао да вежба потезе у симулацији за еквивалент целог месеца, обучавајући 24 сата дневно. ДеепМимиц је научио 25 различитих потеза као што су ударање и бацкфлипс, успоређујући своје резултате сваки пут како би видио колико је близу дошло до изворних моцап података.

За разлику од других система који су можда покушавали и неуспјешно понављали, ДеепМимиц је покварио потез у корацима, тако да ако је пропао у једном тренутку, могао би анализирати своје перформансе и подесити у правом тренутку.

„Како ове технике напредују, мислим да ће почети да играју већу и већу улогу у филмовима“, каже Пенг Инверсе. „Међутим, будући да филмови углавном нису интерактивни, ове технике симулације могу имати непосреднији утицај на игре и ВР.

„Заправо, симулирани лик обучен користећи учење појачања већ проналази свој пут до игара. Индие игре би могле бити врло добар полигон за ове идеје. Али може потрајати дуже док не буду спремни за ААА наслове, јер рад са симулираним ликовима захтева прилично драстичан помак од традиционалних развојних цевовода.

Програмери игара почињу да експериментишу са овим алатима. Један програмер је успео да користи ДеепМимиц унутар мотора игре Унити:

Даме и господо, завршили смо Бацкфлип! Цонгратс то Ринго, ака СтилеТрансфер002.144 - користећи # унити3д + #МЛАгентс & #МаратхонЕнвс. СтилеТрансфер тренира #АцтивеРаголл из МоЦап података ака Деепмимиц хттп://т.цо/гАГтИИеавЕ… #мадевитхунити пиц.твиттер.цом/3иИоДсфдЛе

- Јое Боотх (@иАмВидиаГамер) Новембер 1, 2018

Пенг се нада да ће објављивање кода убрзати његово усвајање. Он такође напомиње да је тим "разговарао са бројним програмерима игара и анимационим студијима о могућим применама овог рада, иако још не могу да пређем у детаље."

Машине се редовно боре са сложеним потезима, као што показују роботи који играју фудбал који се тихо преврћу по трави, уместо да заврше било какве високе октанске покрете. Постоје знаци напретка, као А.И. се суочава са сложеношћу покрета у стварном свету и почиње да се исправља више као људи.

Можда би ДеепМимиц једног дана могао научити нови потез у секунди, слично ономе како Нео учи кунг фу Матрица.

Прочитајте сажетак испод.

Дугогодишњи циљ у анимацији карактера је да се комбинира спецификација понашања вођена подацима и систем који може извршити слично понашање у физичкој симулацији, омогућавајући тако реалне одговоре на поремећаје и варијације у окружењу. Показали смо да се добро познате методе учења ојачавања (РЛ) могу прилагодити тако да науче робусне политике контроле које могу имитирати широк спектар примјера клипова покрета, док истовремено уче комплексне опоравке, прилагођавајући се промјенама у морфологији и остварујући циљеве које корисник одреди. Наша метода се бави кључним покретима, високо-динамичким радњама као што су покрети снимљени флипси и спинови, и ретаргетирани покрети. Комбинацијом циља имитације покрета са циљем задатка, можемо тренирати знакове који интелигентно реагују у интерактивним поставкама, нпр. Ходањем у жељеном правцу или бацањем лопте на циљ који је одредио корисник. Овакав приступ комбинује практичност и квалитет покрета помоћу клипова за кретање како би се дефинисао жељени стил и изглед, уз флексибилност и општост коју пружају РЛ методе и анимација заснована на физици. Даље истражујемо бројне методе за интеграцију више клипова у процес учења како бисмо развили мулти-квалифициране агенте способне за обављање богатог репертоара различитих вјештина. Показујемо резултате користећи вишеструке ликове (људски, Атлас робот, двоножни диносаурус, змај) и велики број вјештина, укључујући кретање, акробације и борилачке вјештине.