Vidéo complète: youtu.be/lPfiMHQWP88
Ave, Coder!
La physique dans le monde des jeux informatiques modernes devient de plus en plus précise et juteuse d'année en année, surtout si l'on ne parle pas d'hypercasuals et de classiques comme Arkanoid, mais de hits avec un monde ouvert et des modèles réalistes, dans lesquels chaque articulation se déplace le plus naturellement possible afin d'imiter des modèles du monde réel.
Et, par conséquent, lorsque notre œil remarque quelque chose d'anormal dans le mouvement d'un chien d'ordinateur, par exemple, il envoie immédiatement un signal au cerveau - quelque chose ne va pas. Peut-être que le joueur ne comprendra pas exactement ce qui ne va pas, mais le cerveau a inconsciemment comparé ce qu'il a vu à l'expérience de la vie réelle, par exemple, comment le chien se déplace et a remarqué des inexactitudes.
Par conséquent, les développeurs ne le codent généralement pas à la main, mais enregistrent des tonnes de capture de mouvement en temps réel et l'adaptent plus tard aux modèles de jeu.
L'intelligence artificielle a longtemps été utilisée à ces fins et les studios de jeux ont pu obtenir de vrais résultats grâce à elle, mais aujourd'hui, nous parlerons d'un développement qui peut laisser les concurrents loin derrière - du moins dans le domaine pour lequel elle a été créée. Mais qui a dit que quelque chose comme ça ne pouvait pas être mis à l'échelle?
Basketball. Dribble. Dynamique folle. Racks. Manipuler le ballon. Les modèles se déplacent rapidement, changeant fréquemment de direction. Il faudra une solution vraiment grandiose pour que toute cette bonté dynamique soit traitée rapidement, puissamment et, en attendant, de manière réaliste.
Et un défi supplémentaire réside dans le fait que l'IA ne dispose que de trois heures de matériel de formation à la capture de mouvement, ce qui est une goutte dans le seau par rapport à ce sur quoi d'autres réseaux de neurones sont formés pour des tâches similaires.
De plus, le réseau neuronal doit être capable de simuler des mouvements qui n'étaient pas présentés dans la formation, mais qui étaient disponibles pour le modèle piloté par le joueur.
Il semblerait, étant donné les limites, AI aurait dû être incapable de faire face à la tâche, au moins partiellement. Il y avait des hypothèses selon lesquelles les mouvements inclus dans ces trois heures d'entraînement, le réseau de neurones s'adapteront sans problème, mais avec la synthèse de nouveaux, ce sera plus difficile et donc les modèles se comporteront de manière anormale à certains moments, mais le résultat a dépassé toutes les attentes.
En contrôlant un vrai joueur, le basketteur électronique n'a pas perdu sa plasticité dans les mouvements, même si le joueur appuyait sur les boutons de commande comme un fou.
Et, en passant, sur la variété du comportement du modèle. Autrement dit, les mouvements se ressemblent-ils pour les mêmes situations? Prenons le dribble, par exemple - l'IA est capable d'ajouter de la variété et de changer la façon dont un modèle dribble, de les combiner pour créer de nouveaux mouvements du même type et d'être toujours sensible au contrôle.
Exemple de dribble:
C'est assez impressionnant pour un réseau de neurones qui a été formé avec seulement trois heures de matériel, mais il y a autre chose qui pourrait dépasser les attentes.
Le joueur pouvait également lancer le ballon dans le cerceau et rebondir et le modèle se comportait naturellement, malgré le fait que le réseau de neurones disposait de moins de sept minutes de matériel d'entraînement.
Et, en plus, le modèle est capable de synthétiser des mouvements qui n'étaient pas dans le matériel d'entraînement, mais qu'il considère adéquats pour certaines situations.
Comme vous pouvez le voir dans l'exemple vidéo, un modèle est entraîné pour se déplacer à l'aide d'une méthode d'entraînement basée sur le réseau neuronal à fonction de phase, et l'autre est enseigné par AI4Animation.
Comparaison des deux modèles:
En comparant les mouvements des deux modèles, les joueurs ont pu remarquer un manque évident de rigidité dans la variante AI4Animation: la fluidité des mouvements inhérente aux organismes vivants et la façon dont le modèle contrôle un objet tiers - une balle.
Lors du dribble, le modèle entraîné par le réseau neuronal Phase-Function force le ballon à être, pour ainsi dire, collé à la main du joueur juste pour lui permettre de calculer plus facilement les mouvements du modèle, mais dans ce cas, cela n'a pas apporté un avantage évident.
Dans AI4Animation, le modèle est resté plus réactif au contrôle du joueur et donc non seulement plus agréable à regarder, mais aussi à le contrôler.
Imaginons maintenant de quoi cette technologie sera capable, même pas dans cinq ou dix ans, mais déjà, disons, dans un an.
Dans quelle mesure cela va-t-il s'améliorer? Quels autres jeux sportifs trouvera-t-il une application? Juste ... du sport? Seulement dans ... les jeux?
Dans ce cas, les créateurs ont testé le réseau de neurones dans une spécialisation très étroite, à savoir la capacité de synthétiser les mouvements naturels de modèles humains jouant au basket, en se basant uniquement sur une quantité limitée de données fournies pour l'entraînement, tandis que les modèles devaient rester contrôlables et répondre de manière adéquate au contrôle. Et bien sûr, la qualité n'aurait pas dû en souffrir.
Voyons maintenant comment cette même technologie peut être appliquée à d'autres problèmes.
Par exemple, ce «bon garçon» dessiné se déplace tout comme les chiens bougent dans la vie, de plus, les mouvements et la démarche s'adaptent magistralement aux commandes et aux conditions.
Exemple avec un "bon garçon":
Et ici, Anubis décide de poser son cul mythologique sur divers meubles et, comme dirait Malysheva, le fait naturellement.
Exemple Anubis:
Ou essayer de travailler comme livreur de boîtes noires dans «Quoi? Où? Quand?". Il ne reste plus qu'à lui apprendre à faire tourner le tambour ...
En tout cas, on peut être sûr que pour le dieu égyptien de la mort - il aura un bel avenir à la télévision.
Vous pouvez le vérifier ici: github.com/sebastianstarke/AI4Animation
C'était V. Découvrez la chaîne Ave, Coder!
Ave!