Відео: актори трюків можуть бути замінені цим А.І. Технологія Одного дня

Нова система штучного інтелекту розробила комп'ютерні анімовані каскадери, які можуть зробити бойовики прохолоднішими, ніж будь-коли. Дослідники з Каліфорнійського університету в Берклі розробили систему, здатну відтворити деякі з найсмачніших рухів у бойових мистецтвах, з можливістю замінити реальних людських акторів.

Випускник УК Берклі Сюе Бін, Джейсон Пэн, каже, що технологія призводить до рухів, які важко відокремлювати від людей.

"Це насправді досить великий стрибок від того, що було зроблено з глибоким навчанням та анімацією", - сказав Пень в заяві, опублікованій у своєму дослідженні, яке було представлено на конференції SIGGRAPH у серпні у Ванкувері, Канада. «У минулому багато робіт було зроблено для моделювання природних рухів, але ці методи, засновані на фізиці, дуже спеціалізовані; вони не є загальними методами, які можуть обробляти велику різноманітність навичок.

Якщо порівняти наші результати з захопленням руху, записаним з людьми, то ми переходимо до того моменту, коли досить важко розрізнити їх, сказати, що таке симуляція і що є реальним. Ми рухаємося до віртуального каскадера."

У журналі був опублікований документ про проект, який отримав назву DeepMimic ACM Trans. Графік в серпні. У вересні команда зробила свій код і дані з захоплення руху доступними на GitHub для інших.

Команда використовувала методи навчання глибокого підкріплення, щоб навчити систему рухатися. Вона захопила дані руху з реальних виступів, подавала їх в систему і встановлювала на практиці переміщення в симуляції за еквівалент цілого місяця, тренуючись 24 години на добу. DeepMimic вивчив 25 різних рухів, таких як ногами і зворотними знімками, порівнюючи їх результати кожного разу, щоб побачити, наскільки близька вона до оригінальних даних mocap.

На відміну від інших систем, які неодноразово намагалися провалитися, DeepMimic вийшла з ладу, тому, якщо в одній точці вона провалилася, вона могла проаналізувати її продуктивність і відповідно налаштувати в потрібний момент.

«Оскільки ці технології прогресують, я думаю, що вони почнуть грати все більшу роль у кіно», - розповідає Пень Обернено. Однак, оскільки фільми, як правило, не є інтерактивними, ці методи моделювання можуть мати більш безпосередній вплив на ігри та VR.

«Насправді, симуляція персонажа, що навчається з використанням підкріплення навчання, вже знаходить свій шлях до ігор. Інді-ігри можуть бути дуже гарним полігоном для цих ідей. Але це може зайняти деякий час, поки вони не будуть готові до назв AAA, оскільки робота з імітованими персонажами вимагає досить різкого переходу від традиційних трубопроводів розвитку."

Розробники ігор починають експериментувати з цими інструментами. Одному розробнику вдалося використати DeepMimic всередині механізму гри Unity:

Пані та панове, ми завершили процес Backflip! Вітаємо з Рінго, іменем StyleTransfer002.144 - використовуючи # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer навчає #ActiveRagoll з даних MoCap aka Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe

- Джо Бут (@iAmVidyaGamer) 1 листопада 2018 року

Пень сподівається, що звільнення коду прискорить його прийняття. Він також зазначає, що команда «розмовляла з багатьма розробниками і анімаційними студіями щодо можливих застосувань цієї роботи, хоча поки що я не можу переглядати деталі про це».

Машини регулярно бореться зі складними рухами, про що свідчать роботи, що грають у футбол, які м'яко обрушуються по траві, замість того, щоб виконувати будь-які високооктанові рухи. Є ознаки прогресу, як А.І. вступає в боротьбу з складністю рухів реального світу і починає коректувати себе як люди.

Можливо, DeepMimic міг би за один день дізнатися новий хід, подібно до того, як Neo вивчає кунг-фу Матриця.

Читайте реферат нижче.

Багаторічна мета в анімації персонажів полягає в поєднанні специфіки поведінки, керованої даними, з системою, яка може виконати подібну поведінку у фізичному моделюванні, що дозволяє реалістичні відповіді на збурення та зміни навколишнього середовища. Ми показуємо, що відомі методи навчання з підкріпленням (RL) можуть бути адаптовані для вивчення надійної політики контролю, здатної імітувати широкий спектр прикладних кліпів руху, а також вивчати складні відновлення, адаптуючись до змін у морфології та досягнення заданих користувачем цілей. Наш метод обробляє рухи з ключовими рамками, високодинамічні дії, такі як захоплені пересування сальто і спіни, і перенаправлені рухи. Поєднуючи об'єкт з імітацією руху з метою завдання, ми можемо навчати персонажів, які розумно реагують в інтерактивних налаштуваннях, наприклад, ходити в потрібному напрямку або кидати м'яч у вказану користувачем мету. Таким чином, цей підхід поєднує в собі зручність і якість руху, використовуючи кліпи руху, щоб визначити потрібний стиль і зовнішній вигляд, з гнучкістю і спільністю, що надаються методами RL і анімацією на основі фізики. Далі ми досліджуємо ряд методів інтеграції кількох кліпів у навчальний процес з метою розробки мультикваліфікованих агентів, здатних виконувати багатий репертуар різноманітних навичок. Ми демонструємо результати, використовуючи декілька персонажів (людина, робот Atlas, двоногий динозавр, дракон) і велику різноманітність навичок, включаючи рух, акробатику і бойові мистецтва.