Метод глубокого обучения для компьютерных игр с мячом

Метод глубокого обучения для компьютерных игр с мячом

Баскетболистам требуется хорошая практика, прежде чем удастся освоить сложный трюк. Между тем, эта же стратегия верна и для компьютерных анимированных игр. Используя глубокое обучение с подкреплением, игроки компьютерных игр с видео-баскетболом смогут собирать информацию по данным о захвате движений, тем самым повышая навыки дриблинга. На эту тему озаботились исследователи Университета Карнеги-Меллона вместе с инженерами компании «DeepMotion Inc.», разрабатывающей умные аватары.

Физический метод реального времени

Специалистами совместной группы впервые разработан физический метод реального времени для управления анимированными персонажами, способными изучать навыки дриблинга из опыта. В этом случае система учит на захват движения, аналогичного тому, что совершается людьми, играющими в баскетбол.

Этот процесс обучения проб и ошибок требует много времени, необходимо пройти миллион испытаний, но результаты очевидны — это движения рук, которые тесно координируются с физически правдоподобным движением мяча.

Игроки учатся балансировать ногами, качать мяч за спиной и совершать перекрёстные движения, а также переходить от одного навыка к другому. Как только навыки будут изучены, новые движения можно моделировать гораздо быстрее, чем в реальном времени.

Это исследование открывает двери для моделирования спортивных состязаний с опытными виртуальными аватарами. Технология допускает применение вне спортивного моделирования для создания более интерактивных персонажей:

  • компьютерных игр,
  • анимации,
  • анализа движения,
  • робототехники.

Данные захвата движения уже добавляют реализм в самые современные видео-игры. Но эти игры также включают в себя дезорганизующие артефакты, такие как мячи, летящие по немыслимым, невозможным траекториям или которые, вдруг, «прилипают» к руке игрока.

Потенциал создания реалистичных игр

Метод на основе физики имеет потенциал для создания более реалистичных игр, но получить тонкие детали крайне сложно. Это особенно важно для дриблинга баскетбола, потому что контакт игрока с мячом короткий, а положение пальца имеет решающее значение.

Некоторые детали, например, такие как способ, которым мяч может продолжать вращаться некоторое время, когда есть легкий контакт с ладонью игрока, очень трудно воспроизвести. И как только мяч отпущен, игрок должен предвидеть, когда и как вернется мяч.

Специалисты Университета Карнеги-Меллона решили использовать глубокое обучение захвата важных деталей для баскетбольной модели. Программы искусственного интеллекта, как форма глубокого обучения, обещают помочь разобраться в различных видео-играх. Один из примеров — «AlphaGo» для освоения настольной игры «Go».


По материалам: CMU


Добавить комментарий

Внимание: Спам не пройдёт. Работает фильтрация комментариев. *