Video: Maaaring Pinalitan ng Mga Aktor ng mga Sumugpo Sa pamamagitan ng Ito A.I. Technology One Day Soon

Ang isang bagong artipisyal na sistema ng katalinuhan ay nakabuo ng mga computer-animated stuntmen na maaaring gumawa ng mga pelikula ng pagkilos na mas malamig kaysa kailanman. Ang mga mananaliksik sa Unibersidad ng California, Berkeley ay nakagawa ng isang sistema na may kakayahang muling likhain ang ilan sa mga pinaka-slickest na gumagalaw sa militar sining, na may potensyal na palitan ang aktwal na aktor ng tao.

UC Berkeley nagtapos na estudyante Xue Bin 'Jason' Peng sabi ng teknolohiya ay nagreresulta sa paggalaw na matigas upang paghiwalayin mula sa mga ng mga tao.

"Ito ay talagang isang magandang lundag mula sa kung ano ang ginawa sa malalim na pag-aaral at animation," sabi ni Peng sa isang pahayag na inilabas sa kanyang pananaliksik na iniharap sa 2018 conference ng SIGGRAPH noong Agosto sa Vancouver, Canada noong Agosto. "Sa nakaraan, maraming trabaho ang nagpunta sa pagtulad sa natural na galaw, ngunit ang mga pamamaraan na nakabatay sa pisika ay may tendensiyang maging napaka-dalubhasang; hindi sila pangkalahatang mga pamamaraan na maaaring hawakan ang isang malaking iba't ibang mga kasanayan.

"Kung ihambing mo ang aming mga resulta sa paggalaw-nakuha na naitala mula sa mga tao, nakukuha namin sa punto kung saan ito ay medyo mahirap upang makilala ang dalawa, upang sabihin kung ano ang simulation at kung ano ang totoo. Kami ay lumipat patungo sa isang virtual na stuntman."

Ang isang papel sa proyekto, na tinatawag na DeepMimic, ay inilathala sa journal ACM Trans. Graph sa Agosto. Noong Setyembre, ginawa ng koponan ang code at data ng pagkuha ng paggalaw nito sa GitHub para subukan ng iba.

Ang koponan ay gumagamit ng malalim na mga teknik sa pag-aaral ng pagtuturo upang turuan ang sistema kung paano lumipat. Kinuha ang data ng pagkuha ng paggalaw mula sa mga totoong pagsasayaw sa buhay, ipinapasa ang mga ito sa system at itakda ito upang magsagawa ng mga gumagalaw sa isang simulation para sa katumbas ng isang buong buwan, pagsasanay 24 na oras bawat araw. Natutunan ng DeepMimic ang 25 iba't ibang mga gumagalaw tulad ng kicking at backflips, paghahambing ng mga resulta nito sa bawat oras upang makita kung gaano kalapit ito sa orihinal na data ng mocap.

Hindi tulad ng iba pang mga sistema na maaaring sinubukan at bigo ng paulit-ulit, sinira ng DeepMimic ang paglipat sa mga hakbang kaya kung nabigo ito sa isang punto, maaari itong pag-aralan ang pagganap nito at mag-tweak sa tamang sandali nang naaayon.

"Bilang mga pag-unlad ng mga diskarte, sa tingin ko magsisimula sila upang i-play ang isang mas malaki at mas malaking papel sa mga pelikula," Sinasabi ni Peng Kabaligtaran. "Gayunpaman dahil ang mga pelikula sa pangkalahatan ay hindi interactive, ang mga diskarte sa kunwa ay maaaring magkaroon ng mas kagyat na epekto sa mga laro at VR.

"Sa katunayan, ang sinimulang karakter na sinanay sa paggamit ng reinforcement learning ay nakakahanap ng kanilang paraan sa mga laro. Ang mga laro ng Indie ay maaaring maging isang napakahusay na pagsubok sa lupa para sa mga ideyang ito. Ngunit maaaring tumagal ng ilang sandali bago sila ay handa na para sa mga pamagat ng AAA, dahil ang pagtatrabaho na may kunwa na mga character ay nangangailangan ng isang medyo marahas shift mula sa tradisyonal na pag-unlad ng mga pipelines."

Nagsisimula ang mga developer ng laro na mag-eksperimento sa mga tool na ito. Isang developer ang gumamit ng DeepMimic sa loob ng engine ng Unity game:

Mga Ladies at Gentlemen, nakumpleto na namin ang Backflip! Nagpapasalamat sa Ringo, aka StyleTransfer002.144 - gamit ang # unity3d + #MLAgents & #MarathonEnvs. EstiloTransfer tren ng #ActiveRagoll mula sa MoCap data aka Deepmimic http://t.co/gAGtYYeawE … #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@ iAmVidyaGamer) Nobyembre 1, 2018

Umaasa si Peng na ang pagpapalabas ng code ay magpapabilis sa pag-aampon nito. Sinabi rin niya na ang koponan ay "ay nagsasalita sa isang bilang ng mga developer ng laro at mga animation studio tungkol sa mga posibleng mga application ng gawaing ito, bagaman hindi ako maaaring pumunta sa masyadong maraming mga detalye tungkol sa na."

Ang mga makina ay regular na nakikibaka sa kumplikadong mga gumagalaw, tulad ng ipinakita ng mga robot na naglalaro ng soccer na malambot na bumabagsak sa damo sa halip na makumpleto ang anumang mga gumagalaw na mataas na oktano. May mga palatandaan ng pagsulong, gaya ng A.I. ay nakakakuha sa mga pagkakumplikado ng mga kilusan sa real-world at nagsimulang itama ang kanilang mga sarili na mas katulad ng mga tao.

Marahil DeepMimic ay maaaring isang araw matuto ng isang bagong ilipat sa ilang segundo, katulad sa kung paano Neo natututo kung fu in Ang matrix.

Basahin ang abstract sa ibaba.

Ang isang pangmatagalang layunin sa animation ng character ay upang pagsamahin ang pagtutukoy ng data na hinihimok ng pag-uugali na may isang sistema na maaaring magsagawa ng isang katulad na pag-uugali sa isang pisikal na kunwa, kaya ang pagpapagana ng makatotohanang mga tugon sa mga kapansanan at pagkakaiba-iba ng kapaligiran. Ipinakikita namin na ang mga kilalang paraan ng pag-aaral sa reinforcement (RL) ay maaaring iakma upang matuto ng mga mahuhusay na patakaran sa pag-kontrol na may kakayahang sumungaw sa isang malawak na hanay ng mga kilos na paggalaw, habang nakakatuto rin ng mga kumplikadong pagbawi, nakikipag-adapt sa mga pagbabago sa morpolohiya, at nagawa ang mga layunin ng tinukoy ng gumagamit. Ang aming pamamaraan ay humahawak sa keyframed motions, highly-dynamic actions tulad ng motion-captured flips and spins, at retargeted motions. Sa pamamagitan ng pagsasama-sama ng isang layunin sa paggalaw na may layunin sa gawain, maaari naming sanayin ang mga character na matalino na tumutugon sa mga interactive na setting, hal., Sa pamamagitan ng paglalakad sa isang nais na direksyon o pagkahagis ng bola sa target na tinukoy ng gumagamit. Pinagsasama nito ang kaginhawaan at kilos na kalidad ng paggamit ng mga clip ng paggalaw upang tukuyin ang nais na estilo at hitsura, na may kakayahang umangkop at panlahat na ibinibigay ng mga pamamaraan ng RL at animation batay sa physics. Higit pang natutunan namin ang ilang mga pamamaraan para sa pagsasama ng maraming clip sa proseso ng pag-aaral upang bumuo ng mga multi-skilled agent na may kakayahang magsagawa ng isang rich repertoire ng magkakaibang mga kasanayan. Nagpapakita kami ng mga resulta gamit ang maraming character (tao, Atlas robot, bipedal dinosauro, dragon) at isang malaking iba't ibang mga kasanayan, kabilang ang pag-iisip, akrobatika, at martial arts.