Полное видео туть: youtu.be/lPfiMHQWP88
Аве, Кодер!
Физика в мире современных компьютерных игр год от года становится все точней и сочней, особенно если мы говорим не о гиперказуалках и классике вроде арканоида, а о хитах с открытым миром и реалистичными моделями, у которых каждый сустав двигается как можно более натурально, дабы имитировать модели из реального мира.
И, поэтому, когда наш глаз заметит что-то неестественное в движении компьютерной собачеллы, к примеру, то он тут же подаст в мозг сигнал — что-то не так. Возможно, геймер не будет понимать, что именно не так, но мозг уже подсознательно сравнил увиденное с опытом из реальной жизни, например, тем, как двигается собака и заметил неточности.
Поэтому разработчики обычно не кодят это вручную, а записывают тонны моушн кэпчура в реальном времени и позже адаптируют его для игровых моделей.
Искусственный интеллект уже давно используется для этих целей и игровые студии смогли добиться реальных результатов благодаря ему, однако сегодня речь пойдет о разработке, которая способна оставить конкурентов далеко позади — по крайней мере в той области, для которой она была создана. Но кто сказал, что нечто подобное нельзя масштабировать дальше?
Баскетбол. Дриблинг. Бешеная динамика. Стойки. Обращение с мячом. Модели перемещаются быстро, часто меняя направление движения. Понадобится действительно грандиозное решение, чтобы все это динамическое добро обрабатывалось быстро, мощно и, между тем — реалистично.
И дополнительный челлендж заключается еще в том, что ИИ даны лишь три часа моушн кэпчур материала для тренировки, что вообще капля в море по сравнению с тем, на чем обучаются другие нейросети для подобных заданий.
Кроме того, нейросеть должна быть способна смоделировать движения, которые не были представлены в обучении, но были доступны для модели, управляемой игроком.
Казалось бы, учитывая ограничения, ИИ должен был не справиться с задачей, хотя бы, частично. Были предположения, что движения, входившие в эти три часа обучения, нейросеть будет адаптировать без проблем, а вот с синтезом новых будет посложнее и поэтому модели будут вести себя в некоторых моментах неественно, но результат превзошел все ожидания.
Во время управления реальным игроком, электронный баскетболист не терял свою пластичность в движениях, даже если игрок жмакал на кнопки управления как умалишенный.
И, кстати, насчет разнообразия поведения модели. То есть, выглядят ли движения однотипно для одних и тех же ситуаций? Возьмем, к примеру, дриблинг — искусственный интеллект способен вносить разнообразие и видоизменять то, как модель ведет мяч, комбинировать их вместе, чтобы получить новые движения того же самого типа и все равно оставаться чуткой к управлению.
Пример дрибблинга:
Это довольно впечатляюще для нейросети, которая была обучена всего на трех часах материала, но есть кое что еще, что может превзойти все ожидания.
Игрок также мог бросать мяч в кольцо и совершать подбор и при этом модель вела себя естественно, несмотря на то, что нейросети было предоставлено меньше семи минут материала для обучения.
И, кроме того, модель способна синтезировать движения, которых не было в обучающем материале, но которые она считает адекватными для определенных ситуаций.
Как видно из видеопримера, одна модель обучена двигаться, используя метод обучения основанный на Phase-Function Neural Network, а другая — предложенный AI4Animation.
Сравнение двух моделей:
Когда сравнивали движения двух моделей, игроки могли заметить явное отсутствие скованности у варианта AI4Animation: плавность движений, присущая живым организмам и то, как модель управляет сторонним предметом — мячом.
При дриблинге, модель обученная Phase-Function Neural Network заставляет мяч быть, как бы, приклеенным к руке игрока только ради того, чтобы ей было легче просчитывать движения модели, но и в этом случае это не приносило очевидного преимущества.
У AI4Animation, модель оставалась более восприимчивой к управлению игроком и поэтому на нее было не только приятнее смотреть, но и управлять ею.
А теперь представим на что будет способна эта технология не то, чтобы даже через пять или десять лет, но уже, скажем, через год.
Насколько она улучшится? В каких ещё спортивных играх она найдет применение? Только лишь… спортивных? Только в… играх?
В этом случае, создатели испытали нейросеть в очень узкой специализации, а именно — способность синтезировать естественные движения человеческих моделей, играющих в баскетбол, основываясь лишь на ограниченном количестве данных, предоставленных для обучения, при этом модели должны были оставаться управляемыми и адекватно реагировать на управление. Ну и конечно качество не должно было от этого пострадать.
Теперь посмотрим, как эта же технология может быть применена к решению других задач.
Например, этот нарисованный “хороший мальчик” двигается совсем как песики двигаются в жизни, причём, движения и походка мастерски адаптируются под команды и условия.
Пример с «хорошим мальчиком»:
А вот и Анубис решает прилунить свою мифологическую попу на различную мебель и, как бы сказала Малышева — делает это естественно.
Пример с Анубисом:
Или пробует работать доставщиком черных ящиков в “Что? Где? Когда?”. Осталось только научить его вращать барабан…
В любом случае, мы можем быть уверены за египетского бога смерти — его ждет шикарное будущее на телевидении.
Ознакомиться можно вот тут: github.com/sebastianstarke/AI4Animation
Это был Ви. Заглядывайте на канал «Аве, Кодер!»
Аве!
EddyLan
Что это было? Несколько ссылок на одно и тоже видео.
Да, спасибо за видео. Прикольно.
Но это не формат статьи на хабре.
Squoworode
Это, как ни странно, расшифровка видео. Из-за того, что исходным контентом послужила не лекция, а графическая демонстрация, автору пришлось к каждому параграфу прикрепить ссылку на него внутри видео.
И почему не формат? Не форматом было бы плюхнуть видео и сказать «смотрите», а тут сполне себе статья: текст есть, иллюстрации есть.