Vollständiges Video-Tut: youtu.be/lPfiMHQWP88
Ave, Coder!
Die Physik in der Welt der modernen Computerspiele wird von Jahr zu Jahr genauer und saftiger, insbesondere wenn es sich nicht um Hypercasuals und Klassiker wie Arkanoid handelt, sondern um Treffer mit einer offenen Welt und realistischen Modellen, bei denen sich jedes Gelenk so natürlich wie möglich bewegt, um Modelle nachzuahmen aus der realen Welt.
Und wenn unser Auge zum Beispiel in der Bewegung eines Computerhundes etwas Unnatürliches sieht, sendet es sofort ein Signal an das Gehirn - etwas stimmt nicht. Vielleicht wird der Spieler nicht verstehen, was genau falsch ist, aber das Gehirn hat unbewusst das, was es gesehen hat, mit der realen Erfahrung verglichen, zum Beispiel der Art und Weise, wie sich der Hund bewegt und Ungenauigkeiten bemerkt.
Daher codieren Entwickler es normalerweise nicht von Hand, sondern zeichnen Tonnen von Bewegungserfassungen in Echtzeit auf und passen sie später für Spielmodelle an.
Künstliche Intelligenz wird seit langem für diese Zwecke eingesetzt, und Spielestudios konnten dank dieser Technologie echte Ergebnisse erzielen. Heute werden wir jedoch über eine Entwicklung sprechen, die Konkurrenten weit hinter sich lassen kann - zumindest in dem Bereich, für den sie geschaffen wurde. Aber wer hat gesagt, dass so etwas nicht weiter skaliert werden kann?
Basketball. Dribbling. Verrückte Dynamik. Gestelle. Umgang mit dem Ball. Modelle bewegen sich schnell und ändern häufig die Richtung. Es wird eine wirklich grandiose Lösung erfordern, damit all diese dynamische Güte schnell, kraftvoll und in der Zwischenzeit realistisch verarbeitet wird.
Eine weitere Herausforderung besteht darin, dass die KI nur drei Stunden Bewegungskapsel-Trainingsmaterial erhält. Dies ist ein Tropfen auf den heißen Stein im Vergleich zu anderen neuronalen Netzen, auf die für ähnliche Aufgaben trainiert wird.
Darüber hinaus muss das neuronale Netzwerk in der Lage sein, Bewegungen zu simulieren, die nicht im Training vorgestellt wurden, aber für das spielergesteuerte Modell verfügbar waren.
Angesichts der Einschränkungen scheint es, dass die KI die Aufgabe zumindest teilweise nicht bewältigen konnte. Es gab Annahmen, dass sich die Bewegungen, die in diesen drei Stunden Training enthalten sind, das neuronale Netzwerk ohne Probleme anpassen wird, aber mit der Synthese neuer wird es schwieriger und daher werden sich die Modelle an einigen Stellen unnatürlich verhalten, aber das Ergebnis hat alle Erwartungen übertroffen.
Während der Steuerung eines echten Spielers verlor der elektronische Basketballspieler seine Bewegungsflexibilität nicht, selbst wenn der Spieler die Steuertasten wie ein Verrückter drückte.
Übrigens über die Vielfalt des Modellverhaltens. Das heißt, sehen die Bewegungen für die gleichen Situationen gleich aus? Nehmen wir zum Beispiel das Dribbeln - AI ist in der Lage, Abwechslung zu schaffen und die Art und Weise zu ändern, wie das Modell dribbelt, sie zu neuen Bewegungen des gleichen Typs zu kombinieren und dennoch auf Kontrolle zu reagieren.
Dribbling Beispiel:
Dies ist ziemlich beeindruckend für ein neuronales Netzwerk, das mit nur drei Stunden Material trainiert wurde, aber es gibt noch etwas, das die Erwartungen übertreffen könnte.
Der Spieler konnte den Ball auch in den Reifen werfen und abprallen, und das Modell verhielt sich natürlich, obwohl das neuronale Netzwerk mit weniger als sieben Minuten Trainingsmaterial ausgestattet war.
Darüber hinaus ist das Modell in der Lage, Bewegungen zu synthetisieren, die nicht im Trainingsmaterial enthalten waren, die es jedoch für bestimmte Situationen als angemessen erachtet.
Wie Sie dem Videobeispiel entnehmen können, wird ein Modell mit einer Trainingsmethode trainiert, die auf dem neuronalen Netz mit Phasenfunktion basiert, und das andere wird von AI4Animation unterrichtet.
Vergleich der beiden Modelle:
Beim Vergleich der Bewegungen der beiden Modelle konnten die Spieler einen deutlichen Mangel an Steifheit in der AI4Animation-Variante feststellen: die Geschmeidigkeit der Bewegungen lebender Organismen und die Art und Weise, wie das Modell ein Objekt eines Drittanbieters - einen Ball - steuert.
Beim Dribbeln zwingt das vom Phase-Function Neural Network trainierte Modell den Ball sozusagen an die Hand der Spielerin zu kleben, um ihr die Berechnung der Bewegungen des Modells zu erleichtern. In diesem Fall brachte dies jedoch keinen offensichtlichen Vorteil.
In AI4Animation reagierte das Modell besser auf die Steuerung durch den Spieler und war daher nicht nur angenehmer anzusehen, sondern auch besser zu steuern.
Stellen wir uns nun vor, wozu diese Technologie nicht einmal in fünf oder zehn Jahren, sondern beispielsweise bereits in einem Jahr in der Lage sein wird.
Wie viel wird es verbessern? In welchen anderen Sportspielen wird es Anwendung finden? Nur ... Sport? Nur in ... Spielen?
In diesem Fall testeten die Entwickler das neuronale Netzwerk in einer sehr engen Spezialisierung, nämlich der Fähigkeit, die natürlichen Bewegungen menschlicher Modelle, die Basketball spielen, auf der Grundlage einer begrenzten Datenmenge zu synthetisieren, die für das Training bereitgestellt wurde, während die Modelle kontrollierbar bleiben und angemessen auf die Kontrolle reagieren mussten. Und natürlich hätte die Qualität nicht darunter leiden dürfen.
Nun wollen wir sehen, wie dieselbe Technologie auf andere Probleme angewendet werden kann.
Zum Beispiel bewegt sich dieser gezeichnete „gute Junge“ genau wie Hunde im Leben, außerdem passen sich Bewegungen und Gang meisterhaft an Befehle und Bedingungen an.
Beispiel mit einem "guten Jungen":
Und hier beschließt Anubis, seinen mythologischen Arsch auf verschiedene Möbel zu legen und tut es, wie Malysheva sagen würde, auf natürliche Weise.
Anubis Beispiel:
Oder versuchen Sie als Lieferbote für Black Boxes in „Was? Wo? Wann?". Es bleibt ihm nur beizubringen, wie man die Trommel dreht ...
Auf jeden Fall können wir sicher sein, dass der ägyptische Todesgott im Fernsehen eine wunderschöne Zukunft hat.
Sie können es hier überprüfen: github.com/sebastianstarke/AI4Animation
Es war V. Schauen Sie sich den Ave, Coder! Channel an
Ave!