據外媒 Inverse 報導，加州大學柏克萊分校的研究人員開發出新的 AI 系統，生成的電腦動畫特技演員可重現武術基本動作，未來有可能取代人類特技演員。
「這是深度學習和動畫的一次大躍進，」柏克萊分校研究生 Pang 今年 8 月於 SIGGRAPH 會議發表的研究報告說。「很多相關工作都是模擬自然運動，但沒有／無法提供多種技能運用的通用方法。它和以人類動作為標記的『動態捕捉』技術看上去很相似，但本質不同。我們的技術正朝著（塑造）虛擬替身演員邁進。」
計畫相關論文《DeepMimic》發表在 ACM Trans 雜誌。隨後團隊在 GitHub 提供程式碼和動作捕捉數據供其他人試用。
團隊使用「深層強化學習技術」（reinforcement learning，RL）教導系統如何移動。它從現實生活獲取動作捕捉數據，輸入系統，並讓系統模擬練習這些動作，模擬時間相當於一個月，每天 24 小時訓練。DeepMimic 學習 25 種不同的動作，比如踢腿和後空翻，每次比較結果，看它與原始動作捕捉數據的接近程度。
與其他可能反覆嘗試並失敗的系統不同，DeepMimic 將移動分解為多步驟，以便某時刻若失敗，它可以分析性能並在適當的時刻調整。
「隨著技術進步，我認為將開始在電影發揮越來越大的作用，」Pang 告訴 Inverse。「然而，由於電影通常沒有互動，這些模擬技術可能對遊戲和 VR 產生更直接的影響。」
事實上，對這些使用「RL」訓練的模擬角色，獨立遊戲就是很好的試驗場景。但它們可能需要更長時間才能準備好應用在 AAA 級遊戲，因為使用模擬字元需要大調整和改變傳統開發管道。Pang 表示，已與一些遊戲開發商和動畫工作室討論這項工作的可能應用，但暫未透露細節。
團隊表示，「角色動畫」的長期目標是，將數據驅動的行為規範，與能在物理模擬執行類似行為的系統相結合，進而讓角色能真實回應擾動和環境變化。加州大學柏克萊分校的實驗結果展示，RL 方法可用來學習、模仿非常多示範動作，達到用戶指定的目標。
方法是處理關鍵幀運動、高度動態的動作，如動態捕捉的翻轉、旋轉和重定向運動。透過結合動作模仿目標與任務目標，訓練角色在互動時智慧反應，例如，沿著想要的方向行走或向用戶指定的目標扔球。
因此，研究人員用「運動剪輯」來定義所需的樣式，使角色具備基於 RL 和物理動畫的靈活性和通用性。他們嘗試多種方法，將多個片段整合到學習過程，以開發具備多技能代理功能的動畫角色，並使用多個角色（人類、阿特拉斯機器人、雙足恐龍等）和多種技能來展示結果，包括移動、雜技和武術。
科技新報粉絲團
加入好友
訂閱免費電子報
