วิดีโอ: นักแสดงผาดโผนอาจถูกแทนที่โดยเอเอไอนี้ เทคโนโลยีวันหนึ่งเร็ว ๆ นี้

ระบบปัญญาประดิษฐ์ใหม่ได้พัฒนานักแสดงประกอบภาพเคลื่อนไหวคอมพิวเตอร์ที่สามารถทำให้ภาพยนตร์แอ็คชั่นเย็นลงกว่าที่เคย นักวิจัยที่ University of California, Berkeley ได้พัฒนาระบบที่สามารถสร้างการเคลื่อนไหวที่ลื่นที่สุดในศิลปะการต่อสู้ด้วยศักยภาพในการแทนที่นักแสดงมนุษย์ในชีวิตจริง

นักศึกษาปริญญาโท UC Berkeley Xue Bin ‘Jason’ Peng กล่าวว่าเทคโนโลยีส่งผลให้เกิดการเคลื่อนไหวที่ยากที่จะแยกออกจากมนุษย์

“ นี่เป็นก้าวกระโดดครั้งใหญ่ที่เกิดขึ้นจากการเรียนรู้อย่างลึกล้ำและแอนิเมชั่น” Peng กล่าวในแถลงการณ์ที่เผยแพร่โดยงานวิจัยของเขาซึ่งนำเสนอในการประชุม SIGGRAPH 2018 ในเดือนสิงหาคมที่แวนคูเวอร์แคนาดาในเดือนสิงหาคม “ ในอดีตมีงานจำนวนมากได้จำลองการเคลื่อนไหวตามธรรมชาติ แต่วิธีการทางฟิสิกส์เหล่านี้มีความเชี่ยวชาญเป็นพิเศษ ไม่ใช่วิธีการทั่วไปที่สามารถจัดการกับทักษะที่หลากหลายได้

“ หากคุณเปรียบเทียบผลลัพธ์ของเรากับการจับภาพเคลื่อนไหวที่บันทึกจากมนุษย์เราจะไปถึงจุดที่มันค่อนข้างยากที่จะแยกแยะความแตกต่างทั้งสองเพื่อบอกว่าอะไรคือการจำลองและสิ่งที่เป็นจริง เรากำลังเคลื่อนไปสู่นักแสดงระห่ำเสมือนจริง"

กระดาษในโครงการขนานนาม DeepMimic ถูกตีพิมพ์ในวารสาร ACM Trans กราฟ ในเดือนสิงหาคม. ในเดือนกันยายนทีมได้จัดทำรหัสและข้อมูลการจับการเคลื่อนไหวใน GitHub เพื่อให้ผู้อื่นลอง

ทีมใช้เทคนิคการเรียนรู้การเสริมแรงลึกเพื่อสอนระบบการเคลื่อนไหว ใช้ข้อมูลการจับการเคลื่อนไหวจากการแสดงในชีวิตจริงป้อนเข้าสู่ระบบและตั้งค่าให้ฝึกการเคลื่อนไหวในแบบจำลองตลอดทั้งเดือนฝึก 24 ชั่วโมงต่อวัน DeepMimic เรียนรู้การเคลื่อนไหว 25 แบบที่แตกต่างกันเช่นการเตะและการย้อนแสงการเปรียบเทียบผลลัพธ์ในแต่ละครั้งเพื่อดูว่ามันมาใกล้กับข้อมูล mocap ดั้งเดิมอย่างไร

ซึ่งแตกต่างจากระบบอื่น ๆ ที่อาจพยายามและล้มเหลวซ้ำ ๆ DeepMimic หยุดการเคลื่อนที่เป็นขั้นตอนดังนั้นหากระบบล้มเหลว ณ จุดหนึ่งก็สามารถวิเคราะห์ประสิทธิภาพและปรับแต่งในเวลาที่เหมาะสม

“ เมื่อเทคนิคเหล่านี้ก้าวหน้าฉันคิดว่าพวกเขาจะเริ่มมีบทบาทมากขึ้นในภาพยนตร์” เปงเล่า ผกผัน. “ อย่างไรก็ตามเนื่องจากภาพยนตร์ส่วนใหญ่ไม่ได้มีการโต้ตอบเทคนิคการจำลองเหล่านี้อาจส่งผลกระทบต่อเกมและ VR ในทันที

“ ที่จริงแล้วตัวละครจำลองที่ฝึกฝนโดยใช้ การเสริมกำลังการเรียนรู้ กำลังหาทางไปยังเกมแล้ว เกมอินดี้อาจเป็นพื้นที่ทดสอบที่ดีมากสำหรับแนวคิดเหล่านี้ แต่อาจใช้เวลานานกว่านี้ก่อนที่พวกเขาจะพร้อมสำหรับชื่อ AAA เนื่องจากการทำงานกับตัวละครจำลองต้องใช้การเปลี่ยนแปลงที่รุนแรงจากท่อพัฒนาแบบดั้งเดิม”

นักพัฒนาเกมเริ่มทดลองใช้เครื่องมือเหล่านี้ ผู้พัฒนารายหนึ่งพยายามใช้ DeepMimic ในเอ็นจิ้น Unity:

ท่านสุภาพบุรุษและสุภาพสตรีเราได้ทำ Backflip สำเร็จแล้ว! ขอแสดงความยินดีกับ Ringo หรือที่รู้จัก StyleTransfer002.144 - ใช้ # unity3d + #MLAgents & #MarathonEnvs StyleTransfer ฝึกอบรม #ActiveRagoll จากข้อมูล MoCap aka Deepmimic http://t.co/gAGtYYeawE … #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer) 1 พฤศจิกายน 2018

เป็งหวังว่าการปล่อยรหัสจะช่วยเพิ่มความเร็วในการนำไปใช้ เขายังตั้งข้อสังเกตอีกว่าทีมได้“ พูดคุยกับนักพัฒนาเกมและสตูดิโอแอนิเมชั่นเป็นจำนวนมากเกี่ยวกับแอพพลิเคชั่นที่เป็นไปได้ของงานนี้ถึงแม้ว่าฉันจะไม่สามารถลงรายละเอียดมากเกินไป

เครื่องจักรมักต่อสู้กับการเคลื่อนไหวที่ซับซ้อนดังที่หุ่นยนต์แสดงให้เห็นว่าฟุตบอลกลิ้งไปมาบนพื้นหญ้าอย่างนุ่มนวลแทนที่จะเคลื่อนไหวออกเทนสูง มีสัญญาณของความคืบหน้าเป็น A.I. ได้รับการจับกับความซับซ้อนของการเคลื่อนไหวในโลกแห่งความจริงและเริ่มที่จะแก้ไขตัวเองเหมือนมนุษย์มากขึ้น

บางทีวันหนึ่ง DeepMimic สามารถเรียนรู้การเคลื่อนไหวใหม่ในไม่กี่วินาทีคล้ายกับ Neo เรียนกังฟูใน เดอะเมทริกซ์.

อ่านบทคัดย่อด้านล่าง

เป้าหมายที่ยาวนานในการเคลื่อนไหวของตัวละครคือการรวมข้อมูลจำเพาะเกี่ยวกับพฤติกรรมที่ขับเคลื่อนด้วยข้อมูลเข้ากับระบบที่สามารถดำเนินการพฤติกรรมที่คล้ายคลึงกันในการจำลองทางกายภาพซึ่งทำให้สามารถตอบสนองต่อการก่อกวนและการเปลี่ยนแปลงสภาพแวดล้อมได้อย่างสมจริง เราแสดงให้เห็นว่าวิธีการเรียนรู้การเสริมแรง (RL) ที่รู้จักกันดีสามารถปรับเปลี่ยนเพื่อเรียนรู้นโยบายการควบคุมที่แข็งแกร่งซึ่งสามารถเลียนแบบตัวอย่างคลิปเคลื่อนไหวได้หลากหลายในขณะที่ยังเรียนรู้การฟื้นตัวที่ซับซ้อนการปรับตัวให้เข้ากับการเปลี่ยนแปลงทางสัณฐานวิทยา วิธีการของเราจัดการการเคลื่อนไหวแบบ keyframed การกระทำที่มีความเคลื่อนไหวสูงเช่นการหมุนและการหมุนที่จับการเคลื่อนไหวและการเคลื่อนไหวที่กำหนดเป้าหมายใหม่ โดยการรวมวัตถุประสงค์การเลียนแบบการเคลื่อนไหวเข้ากับวัตถุประสงค์ของงานเราสามารถฝึกตัวละครที่ตอบสนองอย่างชาญฉลาดในการตั้งค่าแบบโต้ตอบเช่นโดยการเดินไปในทิศทางที่ต้องการหรือโยนลูกบอลไปที่เป้าหมายที่ผู้ใช้กำหนด วิธีนี้จึงรวมความสะดวกสบายและคุณภาพการเคลื่อนไหวของการใช้คลิปการเคลื่อนไหวเพื่อกำหนดรูปแบบและลักษณะที่ต้องการพร้อมความยืดหยุ่นและความสามารถทั่วไปที่ใช้โดยวิธี RL และแอนิเมชันเชิงฟิสิกส์ เราสำรวจเพิ่มเติมหลายวิธีสำหรับการรวมคลิปหลาย ๆ คลิปเข้ากับกระบวนการเรียนรู้เพื่อพัฒนาตัวแทนที่มีทักษะหลากหลายซึ่งสามารถแสดงทักษะที่หลากหลายได้อย่างหลากหลาย เราแสดงผลลัพธ์โดยใช้ตัวละครหลายตัว (มนุษย์หุ่นยนต์ Atlas ไดโนเสาร์สองเท้ามังกร) และทักษะที่หลากหลายรวมถึงการเคลื่อนไหวโลดโผนการแสดงผาดโผนและศิลปะการต่อสู้