Баскетболистам нужно много потренироваться, прежде чем они овладеют дриблингом, и оказывается, что это верно и для игроков с компьютерной анимацией. Используя глубокое подкрепление, игроки в видео-баскетбольных играх могут получить представление о данных захвата движения, чтобы отточить свои навыки ведения дриблинга.
Исследователи из Университета Карнеги-Меллона и DeepMotion Inc. Калифорнийская компания, которая разрабатывает умные аватары, впервые разработала физический метод управления в реальном времени для анимированных персонажей, который может учиться навыкам дриблинга на собственном опыте. В этом случае система извлекает уроки из движений, выполняемых людьми, ведущими баскетбольные мячи.
Этот процесс обучения методом проб и ошибок занимает много времени и требует миллионов попыток, но результатом являются движения рук, которые тесно скоординированы с физически вероятным движением мяча. Игроки учатся капать между ног, капать за спиной и делать перекрестные движения, а также как переходить от одного навыка к другому.
«Как только навыки освоены, новые движения можно моделировать гораздо быстрее, чем в режиме реального времени», - сказала Джессика Ходгинс, профессор Карнеги-Меллона из Информатика а также робототехника ,
Ходгинс и Либин Лю, главный научный сотрудник DeepMotion, представят метод на SIGGRAPH 2018 Конференция по компьютерной графике и интерактивным технологиям, 12-18 августа, в Ванкувере.
«Это исследование открывает двери для симуляции спорта с помощью опытных виртуальных аватаров», - сказал Лю, первый автор отчета. «Эта технология может применяться помимо спортивного моделирования, чтобы создавать больше интерактивных персонажей для игр, анимации, анализа движений и, в будущем, для робототехники».
Данные захвата движения уже добавляют реализма в современные видеоигры. Но, как отметил Лю, в этих играх также присутствуют смущающие артефакты, такие как шары, которые следуют по невозможным траекториям или которые, кажется, прилипают к руке игрока.
Физический метод имеет потенциал для создания более реалистичных игр, но трудно получить правильные детали. Это особенно актуально при ведении баскетбольного мяча, потому что контакт игрока с мячом короткий, а положение пальца очень важно. Некоторые детали, такие как то, как мяч может продолжать вращаться кратковременно при легком контакте с руками игрока, трудно воспроизвести. И как только мяч выпущен, игрок должен предвидеть, когда и где мяч вернется.
Лю и Ходжинс решили использовать глубокое обучение с подкреплением, чтобы модель могла уловить эти важные детали. Программы искусственного интеллекта использовали эту форму глубокого обучения, чтобы выяснить разнообразие видеоигр, и программа AlphaGo, как известно, использовала ее для освоения настольной игры Go.
Данные захвата движения, используемые в качестве входных данных, были о людях, делающих такие вещи, как вращение мяча вокруг талии, дриблинг во время бега и дриблинг на месте как правой рукой, так и при переключении рук. Эти данные захвата не включают движение мяча, которое, как объяснил Лю, трудно точно записать. Вместо этого они использовали оптимизацию траектории, чтобы вычислить наиболее вероятные пути мяча для данного движения руки.
Программа изучала навыки в два этапа - сначала она овладела передвижением, а затем научилась контролировать руки и кисти и, через них, движение мяча. Такой разделенный подход достаточен для таких действий, как дриблинг или, возможно, жонглирование, когда взаимодействие между персонажем и объектом не влияет на баланс персонажа. Лю сказал, что необходима дальнейшая работа для занятий спортом, например, футболом, где баланс тесно связан с игровыми маневрами.
