비디오 : 스턴트 배우가이 A.I로 대체 될 수 있습니다. 어느 날 곧 기술

새로운 인공 지능 시스템이 컴퓨터 애니메이션 스턴트맨을 개발하여 액션 영화를 이전보다 더 시원하게 만들 수 있습니다. 버클리 대학의 연구원은 실제 인간 배우를 대체 할 잠재력을 가진 무술에서 가장 매끄러운 움직임을 재현 할 수있는 시스템을 개발했습니다.

UC 버클리 대학원생 Xue Bin 'Jason'Peng은이 기술로 인해 인간과 분리되는 움직임이 발생한다고 말합니다.

펭 교수는 지난 8 월 캐나다 밴쿠버에서 열린 8 월 2018 년 SIGGRAPH 컨퍼런스에서 발표 된 성명서에서 "실제로는 심층적 인 학습과 애니메이션을 통해 이루어 졌던 것과 큰 차이가있다" "과거에는 자연스러운 동작을 시뮬레이션하는 작업이 많이 이루어졌지만 이러한 물리 기반 방식은 매우 전문화되는 경향이 있습니다. 그들은 다양한 기술을 다룰 수있는 일반적인 방법이 아닙니다.

"우리의 결과를 인간에서 기록한 모션 캡쳐와 비교하면 두 가지를 구별하는 것이 매우 어렵고 시뮬레이션이 무엇이고 실제가 무엇인지 알 수 있습니다. 우리는 가상 스턴트맨을 향해 움직이고 있습니다."

딥 미믹 (DeepMimic)으로 불리는이 프로젝트의 논문은 저널에 실 렸습니다. ACM Trans. 그래프 8 월. 팀은 9 월에 다른 사람들이 시도 할 수 있도록 GitHub에서 사용할 수있는 코드 및 모션 캡처 데이터를 만들었습니다.

팀은 시스템에 이동 방법을 가르치기 위해 심층적 인 강화 학습 기술을 사용했습니다. 실제 공연에서 모션 캡처 데이터를 가져 와서 시스템에 입력하고 하루 24 시간을 교육하여 한 달 전체에 해당하는 시뮬레이션을 실습하도록 설정했습니다. DeepMimic은 걷어차 기 및 뒤집기와 같은 25 가지 동작을 배웠고 매번 그 결과를 비교하여 매번 원래의 mocap 데이터가 얼마나 가까웠는지 확인했습니다.

반복적으로 시도하고 실패했을 수있는 다른 시스템과 달리 DeepMimic은 단계로 이동하여 한 번에 실패하면 적절 한 순간에 성능과 비틀기를 분석 할 수 있습니다.

"이러한 기술이 발전함에 따라 영화에서 더 크고 더 큰 역할을 시작하게 될 것"이라고 Peng는 말한다. 역. "그러나 영화는 일반적으로 상호 작용이 아니기 때문에 이러한 시뮬레이션 기법은 게임과 VR에 더 직접적인 영향을 미칠 수 있습니다.

"사실, 강화 학습을 사용하여 훈련 된 시뮬레이션 된 캐릭터는 이미 게임에 대한 그들의 길을 찾고 있습니다. 인디 게임은 이러한 아이디어에 대한 아주 좋은 테스트 환경이 될 수 있습니다. 그러나 시뮬레이션 된 캐릭터를 다루는 것이 전통적인 개발 파이프 라인에서 상당히 과감한 변화를 필요로하기 때문에 AAA 타이틀을 준비하기까지는 더 오래 걸릴 수 있습니다."

게임 개발자는 이러한 도구를 실험하기 시작했습니다. 한 개발자는 Unity 게임 엔진에서 DeepMimic을 사용할 수있었습니다.

신사 숙녀 여러분, 우리는 백 플립을 완성했습니다! Ringo, StyleTransfer002.144 - # unity3d + #MLAgents 및 #MarathonEnvs를 사용하여 축하드립니다. StyleTransfer는 DeepMimic이라는 일명 MoCap 데이터에서 #ActiveRagoll을 훈련합니다. http://t.co/gAGtYYeE … #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer) 2018 년 11 월 1 일

펭 (Peng)은 코드를 공개하면 채택 속도가 빨라지 으면 좋겠다. 그는 팀이 "많은 게임 개발자들과 애니메이션 스튜디오들에게이 작품의 가능한 응용 가능성에 관해 이야기 해왔다.

로봇은 축구를하는 로봇이 높은 옥탄가 운동을하는 대신 풀 위에 부드럽게 공중 제비를 굴리는 것처럼 복잡한 움직임으로 인해 정기적으로 고생합니다. A.I.처럼 진전의 신호가 있습니다. 현실 세계의 움직임의 복잡성을 파악하고 인간처럼 더 잘 적응하기 시작합니다.

아마 DeepMimic은 Neo가 kung fu를 배우는 방법과 비슷한 언젠가 새로운 움직임을 초 단위로 배울 수 있습니다. 매트릭스.

아래의 초록을 읽으십시오.

캐릭터 애니메이션의 오랜 목표는 데이터 기반의 동작 사양을 물리적 시뮬레이션에서 유사한 동작을 실행할 수있는 시스템과 결합하여 섭동과 환경 변화에 대한 현실감있는 응답을 가능하게하는 것입니다. 우리는 잘 알려진 보강 학습 (RL) 방법을 사용하여 광범위한 예제 모 션 클립을 모방 할 수있는 강력한 제어 정책을 학습하고 복잡한 복구를 학습하며 형태 변화에 적응하고 사용자가 지정한 목표를 달성 할 수 있음을 보여줍니다. 우리의 방법은 키 프레임 모션, 모션 캡쳐 된 뒤집기 및 회전과 같은 역동적 인 동작, 대상 변경 모션을 처리합니다. 동작 모방 목적과 작업 목표를 결합하여 대화 형 설정에서 예를 들어 원하는 방향으로 걷거나 사용자 지정 대상에서 공을 던져서 지능적으로 반응하는 문자를 조정할 수 있습니다. 따라서이 방법은 모션 클립을 사용하여 편의성과 모션 품질을 결합하여 원하는 스타일과 모양을 정의하고 RL 방법과 물리 기반 애니메이션이 제공하는 유연성과 일반성을 결합합니다. 우리는 다양한 기술의 풍부한 레퍼토리를 수행 할 수있는 다 숙련 에이전트를 개발하기 위해 학습 과정에 여러 클립을 통합하는 여러 가지 방법을 모색합니다. 우리는 여러 인물 (인간, 아틀라스 로봇, 이족 공룡, 용)을 사용하여 결과를 보여 주며, 운동, 곡예 및 무술을 비롯한 다양한 기술을 보여줍니다.