Исследователи из школы информатики Эдинбургского университета и компании Electronic Arts, занимающейся компьютерными играми, предложили новую структуру, которая позволяет обучаться быстрым и динамичным взаимодействиям персонажей. Обученная на неструктурированной базе данных захвата движений баскетбола, модель может анимировать множественные контакты между игроком и мячом, а также другими игроками и окружающей средой.
Модульная и стабильная структура команды для анимации персонажей на основе данных включает в себя обработку данных, сетевое обучение и контроль времени выполнения; и был разработан с использованием Unity, Tensor flow и PyTorch. Подход может выполнять сложные и реалистичные анимации двуногих или четвероногих, занимающихся спортом и не только.
Предоставление персонажам возможности выполнять самые разнообразные динамические, быстрые и быстро меняющиеся движения - ключевая задача в анимации персонажей. Новое исследование предлагает структуру глубокого обучения, которая может интерактивно синтезировать такие анимации в высоком качестве из неструктурированных данных о движении, не требуя ручной маркировки.
Исследователи предлагают концепцию фаз локального движения, которая может способствовать развитию навыков движения, связанных с баскетболом, таких как ведение мяча, стрельба, ловля, уклонение, резкий поворот и множественный взгляд. Все взаимодействия персонажей и объектов создаются в единой структуре.
Как правило, для эффективного согласования движений персонажей задаются начальный и конечный эталонный импульс для получения глобального параметра фазы. Однако такие рамки могут привести к несовпадению позы при добавлении новых движений. Есть также действия, для которых сложно определить глобальный параметр фазы, чтобы преодолеть такие проблемы.
Исследователи использовали большую базу данных баскетбольных матчей один на один, где один игрок ловит и ведет мяч, избегая при этом другого игрока, пытающегося защищаться и перехватывать, чтобы разработать и обучить нейронный контроллер персонажа, который производит реалистичное нападение и переключается на защиту при владении мячом. переходит из рук в руки.
Фазы локального движения могут асинхронно выравнивать движения персонажа на уровне костей. Затем исследователи подбирают синусоидальную функцию, которая возвращается к оптимизированным параметрам амплитуды и фазы для вычисления векторов фазы движения. Этот метод работает полностью автоматически и не требует от аниматора определения вручную созданных правил для каждого типа движения.
В экспериментах метод фазы локального движения сравнивался с подходами PFNN, MANN и LSTM. Результаты показывают, что новый метод лучше работает со стилями действий, такими как движение тела, катание на коньках и время отклика. Более быстрые и сложные взаимодействия между персонажем и мячом или другим персонажем могут быть синтезированы в реальном времени после тренировки системы с данными захвата движения в баскетбольной игре.
Исследователи говорят, что этот метод полезен для анимации сложных взаимодействий с множеством контактов для приложений реального времени, таких как компьютерные игры, а также может быть применен к виртуальной реальности. Система бумажной и новой анимации вызвала большой интерес в Интернете, и ряд людей выразили желание инвестировать в этот проект.
Документ Фазы локального движения для изучения движения персонажей с несколькими контактами находится на GitHub.
Автор: Сюэхань Ван | Редактор: Майкл Саразен; Фанюй Кай
Мы знаем, что вы не хотите пропустить ни одной истории. Подпишитесь на наш популярный Synced Global AI Weekly , чтобы получать еженедельные обновления AI.
Думаете о том, чтобы внести свой вклад в синхронизированную проверку? Новая колонка Поделитесь моими исследованиями от Synced приглашает ученых поделиться своими научными открытиями с глобальными энтузиастами искусственного интеллекта.
Нужен всесторонний обзор прошлого, настоящего и будущего современных исследований в области искусственного интеллекта? Отчет Тенденции развития технологий искусственного интеллекта вышел!
Вышел Отчет об адаптивности AI для публичной компании Fortune Global 500 за 2018 год!
Приобретите отчет в формате Kindle на Amazon.
Подайте заявку на участие в Партнерской программе Insight, чтобы получить бесплатный полный отчет в формате PDF.
