Tut de video completo: youtu.be/lPfiMHQWP88
Ave, Coder!
La física en el mundo de los videojuegos modernos es cada vez más precisa y jugosa año tras año, sobre todo si no hablamos de hipercasuales y clásicos como Arkanoid, sino de hits con un mundo abierto y modelos realistas, en los que cada articulación se mueve de la forma más natural posible para imitar modelos del mundo real.
Y, por lo tanto, cuando nuestro ojo ve algo antinatural en el movimiento de un perro informático, por ejemplo, enviará inmediatamente una señal al cerebro: algo anda mal. Quizás el jugador no entenderá qué es exactamente lo que está mal, pero el cerebro ha comparado inconscientemente lo que vio con la experiencia de la vida real, por ejemplo, cómo se mueve el perro y notó inexactitudes.
Por lo tanto, los desarrolladores generalmente no lo codifican a mano, sino que registran toneladas de captura de movimiento en tiempo real y luego lo adaptan para modelos de juegos.
La inteligencia artificial se ha utilizado durante mucho tiempo para estos fines y los estudios de juegos han podido lograr resultados reales gracias a ella, pero hoy hablaremos de un desarrollo que puede dejar muy atrás a los competidores, al menos en el área para la que fue creado. Pero, ¿quién dijo que algo como esto no se puede escalar más?
Baloncesto. Regate. Dinámica loca. Racks. Manejo de la pelota. Los modelos se mueven rápidamente, cambiando de dirección con frecuencia. Se necesitará una solución realmente grandiosa para que toda esta bondad dinámica se procese de manera rápida, poderosa y, mientras tanto, realista.
Y un desafío adicional radica en el hecho de que la IA recibe solo tres horas de material de capacitación de capítulos de movimiento, lo cual es una gota en el cubo en comparación con lo que otras redes neuronales están capacitadas para tareas similares.
Además, la red neuronal debe poder simular movimientos que no se presentaron en el entrenamiento, pero que estaban disponibles para el modelo impulsado por el jugador.
Al parecer, dadas las limitaciones, la IA debería haber sido incapaz de hacer frente a la tarea, al menos parcialmente. Se suponía que los movimientos incluidos en estas tres horas de entrenamiento serán adaptados por la red neuronal sin problemas, pero con la síntesis de nuevos será más difícil y por tanto los modelos se comportarán de forma antinatural en algunos momentos, pero el resultado superó todas las expectativas.
Mientras controlaba a un jugador real, el jugador de baloncesto electrónico no perdió su plasticidad en los movimientos, incluso si el jugador presionó los botones de control como un loco.
Y, por cierto, sobre la variedad de comportamiento del modelo. Es decir, ¿los movimientos se ven iguales para las mismas situaciones? Tome el regate, por ejemplo: la IA puede agregar variedad y cambiar la forma en que un modelo regatea, combinarlos para crear nuevos movimientos del mismo tipo y seguir respondiendo al control.
Ejemplo de regate:
Esto es bastante impresionante para una red neuronal que ha sido entrenada con solo tres horas de material, pero hay algo más que podría superar las expectativas.
El jugador también pudo lanzar el balón al aro y rebotar y el modelo se comportó con naturalidad, a pesar de que la red neuronal contaba con menos de siete minutos de material de entrenamiento.
Y, además, el modelo es capaz de sintetizar movimientos que no estaban en el material de entrenamiento, pero que considera adecuados para determinadas situaciones.
Como puede ver en el ejemplo de video, un modelo está entrenado para moverse usando un método de entrenamiento basado en la Red Neural de Función de Fase, y el otro es enseñado por AI4Animation.
Comparación de los dos modelos:
Al comparar los movimientos de los dos modelos, los jugadores pudieron notar una clara falta de rigidez en la variante AI4Animation: la suavidad de los movimientos inherentes a los organismos vivos y la forma en que el modelo controla un objeto de terceros: una pelota.
Al regatear, el modelo entrenado por la red neuronal de función de fase obliga a que la pelota esté, por así decirlo, pegada a la mano del jugador solo para facilitarle el cálculo de los movimientos del modelo, pero en este caso no aportó una ventaja obvia.
En AI4Animation, el modelo se mantuvo más receptivo al control del jugador y, por lo tanto, no solo fue más agradable de ver, sino también de controlarlo.
Ahora imaginemos de qué será capaz esta tecnología, ni siquiera en cinco o diez años, sino ya, digamos, en un año.
¿Cuánto mejorará? ¿Qué otros juegos deportivos encontrará aplicación? ¿Solo ... deportes? ¿Solo en ... juegos?
En este caso, los creadores probaron la red neuronal en una especialización muy estrecha, a saber, la capacidad de sintetizar los movimientos naturales de los modelos humanos que juegan al baloncesto, basándose solo en una cantidad limitada de datos proporcionados para el entrenamiento, mientras que los modelos debían permanecer controlables y responder adecuadamente al control. Y, por supuesto, la calidad no debería haber sufrido por esto.
Ahora veamos cómo se puede aplicar esta misma tecnología a otros problemas.
Por ejemplo, este "buen chico" dibujado se mueve como se mueven los perros en la vida, además, los movimientos y el andar se adaptan magistralmente a las órdenes y condiciones.
Ejemplo con un "buen chico":
Y aquí Anubis decide poner su culo mitológico sobre varios muebles y, como diría Malysheva, lo hace con naturalidad.
Ejemplo de Anubis:
O intentar trabajar como repartidor de cajas negras en “¿Qué? ¿Dónde? ¿Cuando?". Solo queda enseñarle a hacer girar el tambor ...
En cualquier caso, podemos estar seguros de que el dios egipcio de la muerte tendrá un futuro magnífico en la televisión.
Puedes verlo aquí: github.com/sebastianstarke/AI4Animation
Fue V. Echa un vistazo al canal "Ave, Coder!"
¡Cra!