Video: gli attori degli stunt possono essere sostituiti da questo A.I. Tecnologia a breve

Un nuovo sistema di intelligenza artificiale ha sviluppato stuntman animati da computer che potrebbero rendere i film d'azione più interessanti che mai. I ricercatori dell'Università della California di Berkeley hanno sviluppato un sistema in grado di ricreare alcune delle mosse più sdolcinate nelle arti marziali, con il potenziale di sostituire gli attori umani nella vita reale.

Xue Bin 'Jason' Peng, laureato alla UC Berkeley, afferma che la tecnologia si traduce in movimenti difficili da separare da quelli umani.

"Questo è in realtà un grande passo avanti rispetto a quanto è stato fatto con l'apprendimento profondo e l'animazione", ha detto Peng in una dichiarazione rilasciata con la sua ricerca presentata alla conferenza SIGGRAPH del 2018 ad agosto a Vancouver, in Canada, in agosto. "In passato, molto lavoro è stato dedicato alla simulazione di movimenti naturali, ma questi metodi basati sulla fisica tendono ad essere molto specializzati; non sono metodi generali in grado di gestire una grande varietà di abilità.

"Se si confrontano i nostri risultati con la registrazione del movimento registrata dagli esseri umani, arriviamo al punto in cui è piuttosto difficile distinguere i due, per dire cos'è la simulazione e ciò che è reale. Ci stiamo avviando verso uno stuntman virtuale."

Un articolo sul progetto, soprannominato DeepMimic, è stato pubblicato sulla rivista ACM Trans. Grafico in agosto. A settembre, il team ha reso disponibili su GitHub i dati relativi a codice e motion capture disponibili per altri utenti.

Il team ha utilizzato tecniche di apprendimento di rinforzo profondo per insegnare al sistema come muoversi. Sono stati necessari i dati di acquisizione del movimento dalle prestazioni reali, immessi nel sistema e impostati per esercitarsi in una simulazione per l'equivalente di un mese intero, con una formazione di 24 ore al giorno. DeepMimic ha imparato 25 diverse mosse come calci e salti mortali, confrontando i suoi risultati ogni volta per vedere quanto è vicino ai dati originali di mocap.

A differenza di altri sistemi che potrebbero aver provato e fallito ripetutamente, DeepMimic ha suddiviso il passaggio in passaggi, quindi se non è riuscito a un certo punto, potrebbe analizzare le sue prestazioni e modificare al momento giusto di conseguenza.

"Con il progredire di queste tecniche, penso che inizieranno a giocare un ruolo sempre più importante nei film", racconta Peng Inverso. "Tuttavia, poiché i film non sono generalmente interattivi, queste tecniche di simulazione potrebbero avere un impatto più immediato sui giochi e sulla realtà virtuale.

"In effetti, il personaggio simulato addestrato usando apprendimento di rinforzo sta già trovando la sua strada verso i giochi. I giochi indie potrebbero essere un ottimo banco di prova per queste idee. Ma potrebbe volerci un po 'di tempo prima che siano pronti per i titoli AAA, dal momento che lavorare con personaggi simulati richiede un drastico cambiamento rispetto alle tradizionali pipeline di sviluppo ".

Gli sviluppatori di giochi stanno iniziando a sperimentare con questi strumenti. Uno sviluppatore è riuscito a utilizzare DeepMimic all'interno del motore di gioco Unity:

Signore e signori, abbiamo completato il Backflip! Complimenti a Ringo, alias StyleTransfer002.144 - usando # unity3d + #MLAgents e #MarathonEnvs. StyleTransfer allena #ActiveRagoll dai dati MoCap aka Deepmimic http://t.co/gAGtYYeawE … #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer), 1 novembre 2018

Peng spera che il rilascio del codice ne velocizzerà l'adozione. Nota inoltre che il team ha "parlato con un numero di sviluppatori di videogiochi e studi di animazione sulle possibili applicazioni di questo lavoro, anche se non posso ancora dare troppi dettagli a riguardo".

Le macchine lottano regolarmente con mosse complesse, come dimostrano i robot che giocano a calcio che rotolano dolcemente sull'erba invece di completare qualsiasi mossa ad alto numero di ottani. Ci sono segni di progresso, come A.I. affronta le complessità dei movimenti del mondo reale e inizia a correggersi più come gli umani.

Forse DeepMimic potrebbe un giorno imparare una nuova mossa in pochi secondi, simile a come Neo impara il kung fu La matrice.

Leggi l'abstract qui sotto.

Un obiettivo da lungo tempo nell'animazione dei personaggi consiste nel combinare le specifiche di comportamento basate sui dati con un sistema in grado di eseguire un comportamento simile in una simulazione fisica, consentendo in tal modo risposte realistiche alle perturbazioni e alle variazioni ambientali. Mostriamo che i ben noti metodi di apprendimento di rinforzo (RL) possono essere adattati per apprendere robuste politiche di controllo in grado di imitare un'ampia gamma di clip di movimento di esempio, imparando anche recuperi complessi, adattandosi ai cambiamenti nella morfologia e raggiungendo gli obiettivi specificati dall'utente. Il nostro metodo gestisce movimenti a fotogramma chiave, azioni altamente dinamiche come salti mortali catturati dal movimento e spin e movimenti di retargeting. Combinando un obiettivo di imitazione del movimento con un obiettivo del compito, possiamo addestrare personaggi che reagiscono in modo intelligente in contesti interattivi, ad esempio camminando nella direzione desiderata o lanciando una palla contro un bersaglio specificato dall'utente. Questo approccio combina quindi la convenienza e la qualità del movimento dell'utilizzo di clip di movimento per definire lo stile e l'aspetto desiderati, con la flessibilità e la generalità offerte dai metodi RL e dall'animazione basata sulla fisica. Esploriamo ulteriormente una serie di metodi per integrare più clip nel processo di apprendimento per sviluppare agenti multi-specializzati in grado di eseguire un ricco repertorio di competenze diverse. Dimostriamo risultati utilizzando più personaggi (umano, robot Atlas, dinosauro bipede, drago) e una grande varietà di abilità, tra cui la locomozione, le acrobazie e le arti marziali.