Video: Stunt aktieri var tikt aizstāti ar šo A.I. Technology One Day Soon

Jauna mākslīgā intelekta sistēma ir izstrādājusi datorizētus triku meistarus, kas var padarīt darbības filmas aukstākas nekā jebkad agrāk. Pētnieki Kalifornijas Universitātē Berkelejā ir izstrādājuši sistēmu, kas spēj atdzīvināt dažas no vājākajām cīņām cīņas mākslā, ar potenciālu aizstāt reālos cilvēkus.

UC Berkeley absolvents Xue Bin “Jason” Peng saka, ka tehnoloģija izraisa kustības, kas ir grūti atdalāmas no cilvēku kustībām.

"Tas patiesībā ir diezgan liels lēciens no tā, kas ir paveikts ar dziļu mācīšanos un animāciju," Pengs teica savā pētījumā publicētajā paziņojumā, kas tika prezentēts 2018. gada SIGGRAPH konferencē augustā Vankūverā, Kanādā. „Agrāk daudz darba ir veltīta dabas kustību imitācijai, bet šīs fizikas metodes parasti ir ļoti specializētas; tās nav vispārējas metodes, kas spēj apstrādāt dažādas prasmes.

“Ja salīdzināsiet mūsu rezultātus ar cilvēku uzņemtajiem ierakstiem, mēs nonākam līdz punktam, kurā ir diezgan grūti atšķirt abus, lai pastāstītu, kas ir simulācija un kas ir reāls. Mēs virzāmies uz virtuālo triku."

Žurnālā tika publicēts dokuments par projektu, ko dēvē par DeepMimic ACM Trans. Grafiks augustā. Septembrī komanda GitHub darīja pieejamus savus kodus un kustības datus, lai citi to izmēģinātu.

Komanda izmantoja dziļu pastiprināšanas mācību metodes, lai mācītu sistēmu kā pārvietoties. No reālās dzīves izrādēm tika ņemti kustības uztveršanas dati, tie tika ievadīti sistēmā un uzstādīti tā, lai veiktu kustības simulācijā, kas atbilst visu mēnesi, apmācību 24 stundas diennaktī. DeepMimic iemācījās 25 dažādas kustības, piemēram, kicking un backflips, salīdzinot tās rezultātus katru reizi, lai redzētu, cik tuvu tas bija oriģinālajiem mocap datiem.

Atšķirībā no citām sistēmām, kas atkārtoti ir mēģinājušas un neveiksmīgas, DeepMimic pārtrauca pāreju uz soļiem, lai, ja tas neizdosies vienā brīdī, tas varētu analizēt tā sniegumu un izmainīt pareizajā brīdī.

„Tā kā šie paņēmieni progresē, es domāju, ka viņi sāks spēlēt lielāku un lielāku lomu filmās,” stāsta Pengs Apgrieztā. „Tomēr, tā kā filmas parasti nav interaktīvas, šīm simulācijas metodēm var būt tiešāka ietekme uz spēlēm un VR.

“Patiesībā simulētais raksturs, kas apmācīts, izmantojot pastiprināšanas mācības, jau tagad atrod ceļu. Indie spēles varētu būt ļoti jauka izmēģinājuma vieta šīm idejām. Bet tas var aizņemt kādu laiku, pirms tie ir gatavi AAA nosaukumiem, jo, strādājot ar simulētiem burtiem, ir vajadzīgas diezgan krasas pārmaiņas no tradicionālajiem attīstības cauruļvadiem.

Spēļu izstrādātāji sāk eksperimentēt ar šiem rīkiem. Vienam attīstītājam izdevās izmantot DeepMimic Unity spēļu dzinējā:

Dāmas un kungi, mēs esam pabeiguši Backflip! Apsveicu Ringo, aka StyleTransfer002.144 - izmantojot # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer trenē #ActiveRagoll no MoCap datiem, kas pazīstami kā Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer), 2018. gada 1. novembris

Peng cer, ka kodeksa atbrīvošana paātrinās tā pieņemšanu. Viņš arī atzīmē, ka komanda ir “runājusi ar vairākiem spēļu izstrādātājiem un animācijas studijām par šī darba iespējamajiem pielietojumiem, lai gan es par to vēl nevaru runāt pārāk daudz.”

Iekārtas regulāri cīnās ar sarežģītām kustībām, par ko liecina roboti, kas spēlē futbolu, kas mīksti veļas pa zāli, nevis aizpilda augstus oktānus. Ir progresa pazīmes, kā A.I. saskaras ar reālās pasaules kustību sarežģītību un sāk labot sevi kā cilvēkus.

Varbūt DeepMimic varētu kādu dienu apgūt jaunu kustību sekundēs, līdzīgi kā Neo mācās kung fu Matrica.

Lasiet abstraktu zemāk.

Ilgstošs mērķis rakstzīmju animācijā ir apvienot uz datiem balstītu uzvedības specifikāciju ar sistēmu, kas var veikt līdzīgu uzvedību fiziskajā modelēšanā, tādējādi ļaujot reāli reaģēt uz traucējumiem un vides izmaiņām. Mēs parādām, ka labi zināmas pastiprināšanas mācīšanās (RL) metodes var pielāgot, lai iemācītos spēcīgas kontroles politikas, kas spēj atdarināt plašu piemēru kustības klipu klāstu, vienlaikus apgūstot sarežģītas atgūšanas, pielāgojoties morfoloģijas izmaiņām un izpildot lietotāja noteiktos mērķus. Mūsu metode apstrādā galvenās rāmja kustības, ļoti dinamiskas darbības, piemēram, kustības notverti un griežas, kā arī atkārtotas kustības. Apvienojot kustības imitācijas mērķi ar uzdevuma mērķi, mēs varam apmācīt rakstzīmes, kas saprātīgi reaģē interaktīvos iestatījumos, piemēram, staigājot vēlamajā virzienā vai izmetot bumbu pie lietotāja noteiktā mērķa. Tādējādi šī pieeja apvieno kustības klipu ērtības un kustības kvalitāti, lai noteiktu vēlamo stilu un izskatu, ar elastīgumu un vispārīgumu, ko nodrošina RL metodes un fizika balstīta animācija. Mēs turpinām izpētīt vairākas metodes, kā integrēt vairākus klipus mācīšanās procesā, lai attīstītu daudzprofesionālus aģentus, kas spēj veikt bagātīgu dažādu prasmju repertuāru. Mēs parādām rezultātus, izmantojot vairākas rakstzīmes (cilvēka, Atlas robots, bipedal dinozaurs, pūķis) un daudzveidīgas prasmes, ieskaitot kustību, akrobātiku un cīņas mākslu.