Video: Stuntacteurs kunnen worden vervangen door deze A.I. Technology One Day Soon

Een nieuw kunstmatige intelligentiesysteem heeft computer-geanimeerde stuntmannen ontwikkeld die actiefilms koeler dan ooit zouden kunnen maken. Onderzoekers van de University of California, Berkeley hebben een systeem ontwikkeld dat in staat is om enkele van de meest gelikte bewegingen in vechtsporten te recreëren, met het potentieel om menselijke spelers in de praktijk te vervangen.

UC Berkeley's afgestudeerde student Xue Bin 'Jason' Peng zegt dat de technologie resulteert in bewegingen die moeilijk te scheiden zijn van die van mensen.

"Dit is eigenlijk een vrij grote sprong voorwaarts van wat is gedaan met diep leren en animaties," zei Peng in een verklaring met zijn onderzoek dat werd gepresenteerd tijdens de 2018 SIGGRAPH-conferentie in augustus in Vancouver, Canada. "In het verleden is veel werk gegaan in het simuleren van natuurlijke bewegingen, maar deze op fysica gebaseerde methoden zijn over het algemeen zeer gespecialiseerd; het zijn geen algemene methoden die een grote verscheidenheid aan vaardigheden aankunnen.

"Als je onze resultaten vergelijkt met motion-capture van mensen, komen we op het punt waarop het vrij moeilijk is om de twee te onderscheiden, om te vertellen wat simulatie en wat echt is. We zijn op weg naar een virtuele stuntman."

Een paper over het project, genaamd DeepMimic, werd gepubliceerd in het tijdschrift ACM Trans. diagram in augustus. In september stelde het team zijn code en motion capture-gegevens beschikbaar op GitHub zodat anderen het konden proberen.

Het team gebruikte deep reinforcement-leertechnieken om het systeem te leren bewegen. Het vergde bewegingsregistratiegegevens van real life-uitvoeringen, voerde ze in het systeem en stelde het in om de bewegingen in een simulatie te oefenen voor het equivalent van een hele maand, waarbij 24 uur per dag werd getraind. DeepMimic leerde 25 verschillende bewegingen zoals schoppen en backflips, waarbij de resultaten telkens werden vergeleken om te zien hoe dicht het bij de originele mocapgegevens kwam.

In tegenstelling tot andere systemen die herhaaldelijk hebben gefaald en gefaald hebben, heeft DeepMimic de overgang naar stappen afgebroken, dus als het op een bepaald moment faalde, kon het zijn prestaties analyseren en dienovereenkomstig op het juiste moment aanpassen.

"Naarmate deze technieken vorderden, denk ik dat ze een steeds grotere rol gaan spelen in films," vertelt Peng omgekeerde. "Maar aangezien films over het algemeen niet interactief zijn, hebben deze simulatietechnieken wellicht meer directe gevolgen voor games en VR.

"In feite is het gesimuleerde personage dat is getraind met behulp van reinforcement learning al bezig met het vinden van games. Indiegames kunnen een heel leuk proefveld zijn voor deze ideeën. Maar het kan nog een tijdje duren voordat ze klaar zijn voor AAA-titels, want werken met gesimuleerde personages vereist een behoorlijk drastische verandering ten opzichte van traditionele ontwikkelingspijplijnen."

Game-ontwikkelaars beginnen te experimenteren met deze tools. Eén ontwikkelaar is erin geslaagd om DeepMimic te gebruiken in de Unity-game-engine:

Dames en heren, we hebben de Backflip voltooid! Gefeliciteerd met Ringo, ook bekend als StyleTransfer002.144 - met # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer traint een #ActiveRagoll uit MoCap-gegevens, ook bekend als Deepmimic http://t.co/gAGtYYeawE … #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer) 1 november 2018

Peng is hoopvol dat het vrijgeven van de code de acceptatie zal versnellen. Hij merkt ook op dat het team "met een aantal gameontwikkelaars en animatiestudio's heeft gesproken over mogelijke toepassingen van dit werk, hoewel ik daar nog niet te diep op in kan gaan."

Machines worstelen regelmatig met complexe bewegingen, zoals aangetoond door de voetballende robots die zachtjes over het gras tuimelen in plaats van het voltooien van bewegingen met een hoog octaangehalte. Er zijn tekenen van vooruitgang, zoals A.I. krijgt grip op de complexiteit van bewegingen uit de echte wereld en begint zichzelf te corrigeren als mensen.

Misschien zou DeepMimic op een dag een nieuwe beweging kunnen leren in seconden, vergelijkbaar met hoe Neo Kung Fu leert The Matrix.

Lees het onderstaande abstract.

Een langetermijndoel in karakteranimatie is om datagedreven specificatie van gedrag te combineren met een systeem dat een vergelijkbaar gedrag kan uitvoeren in een fysieke simulatie, waardoor realistische reacties op verstoringen en omgevingsvariatie mogelijk zijn. We laten zien dat bekende wijze van reinforcement learning (RL) kan worden aangepast om een ​​robuust besturingsbeleid te leren waarmee een breed scala aan voorbeeldbewegingsclips kan worden nagebootst, terwijl ook complexe recoveries worden geleerd, zich aanpassen aan wijzigingen in de morfologie en door de gebruiker opgegeven doelen worden bereikt. Onze methode verwerkt keyframed-bewegingen, zeer dynamische acties zoals door beweging opgenomen flips en spins en retarget-bewegingen. Door een doel met bewegingsimitatie te combineren met een taakdoel, kunnen we karakters trainen die intelligent in interactieve instellingen reageren, bijvoorbeeld door in een gewenste richting te lopen of door een bal naar een door de gebruiker opgegeven doelwit te gooien. Deze benadering combineert dus het gemak en de bewegingskwaliteit van het gebruik van bewegingsclips om de gewenste stijl en uiterlijk te definiëren, met de flexibiliteit en algemeenheid geboden door RL-methoden en op fysica gebaseerde animatie. We verkennen een aantal methoden voor het integreren van meerdere clips in het leerproces om multi-skilled agents te ontwikkelen die in staat zijn om een ​​rijk repertoire van verschillende vaardigheden uit te voeren. We demonstreren resultaten met behulp van meerdere personages (mens, Atlas-robot, tweevoetige dinosaurus, draak) en een grote verscheidenheid aan vaardigheden, waaronder voortbewegen, acrobatiek en vechtsporten.