एआई का उपयोग करते हुए खेलों में पात्रों का यथार्थवादी एनीमेशन

एडिनबर्ग विश्वविद्यालय के डेवलपर्स ने खेलों में यथार्थवादी चरित्र आंदोलनों को बनाने के लिए एक नया एल्गोरिदम पेश किया। मोशन कैप्चर प्रक्षेपवक्र पर प्रशिक्षित, तंत्रिका नेटवर्क वास्तविक लोगों के आंदोलनों को कॉपी करने की कोशिश कर रहा है, लेकिन साथ ही उन्हें वीडियो गेम के पात्रों के लिए भी अनुकूल बनाता है।

एक तंत्रिका नेटवर्क एक बार में खेल में कई कार्यों का प्रबंधन करने में सक्षम है। फर्नीचर का उपयोग करते हुए दरवाजे खोलना, वस्तुओं को स्थानांतरित करना। उसी समय, वह गतिशील रूप से पैरों और बाहों की स्थिति को बदल देती है ताकि चरित्र वास्तविक रूप से विभिन्न आकारों के दराज पकड़ सके, विभिन्न आकारों की कुर्सियों पर बैठ सके, और विभिन्न ऊंचाइयों के मार्गों में भी क्रॉल कर सके।

आमतौर पर एआई का उपयोग करने वाले खेलों में पात्रों के नियंत्रण के तहत, इसका मतलब है कि अंगों में प्रयासों का पूर्ण नियंत्रण, किसी प्रकार के भौतिक इंजन के आधार पर जो भौतिकी के नियमों की नकल करता है। यह मशीन लर्निंग का डोमेन है जिसे रिइनफोर्समेंट लर्निंग कहा जाता है। दुर्भाग्य से, इस तरह, यथार्थवादी आंदोलनों को अभी तक हासिल नहीं किया जा सकता है।

दूसरी ओर, आप मोशन कैप्चर का उपयोग करके कैप्चर किए गए वास्तविक लोगों के आंदोलनों को अनुकरण करने के लिए तंत्रिका नेटवर्क को प्रशिक्षित करने का प्रयास कर सकते हैं। इस तरह, लगभग एक साल पहले, 3 डी पात्रों के यथार्थवादी एनीमेशन में महत्वपूर्ण प्रगति हुई थी।





इस विषय पर लगातार कई वैज्ञानिक कार्य हुए, लेकिन सबसे पूर्ण विवरण टुवर्ड्स इन द वर्चुअलमिंट न्यूरल नेटवर्क ( https://www.youtube.com/watch?v=vppFvq2quQ0 ) पर एक वर्चुअल स्टंटमैन के काम में पाया जा सकता है।

मुख्य विचार मोशन कैप्चर ट्रैक की शुरुआत से एपिसोड को शुरू करने के लिए प्रशिक्षण के दौरान मानव आंदोलनों का अनुकरण करना नहीं है, जैसा कि उन्होंने पहले किया था, लेकिन पूरे रास्ते में यादृच्छिक बिंदुओं से। मौजूदा सुदृढीकरण लर्निंग एल्गोरिदम शुरुआती बिंदु के पड़ोस का पता लगाते हैं, इसलिए अक्सर वे प्रक्षेपवक्र के अंत तक नहीं पहुंचते हैं। लेकिन अगर प्रत्येक एपिसोड पूरे ट्रैक के साथ शुरू होता है, तो यह संभावना बढ़ जाती है कि तंत्रिका नेटवर्क पूरे प्रक्षेपवक्र को दोहराना सीख लेगा।



बाद में, इस विचार को पूरी तरह से अलग-अलग क्षेत्रों में उठाया गया था। उदाहरण के लिए, लोगों को खेलों में एक न्यूरल नेटवर्क खेलना सिखाने के लिए, और शुरुआत से ही एपिसोड नहीं शुरू करना, बल्कि यादृच्छिक बिंदुओं (विशेष रूप से इस मामले में, अंत से और धीरे-धीरे शुरुआत में आगे बढ़ना) से, OpenAI ने तंत्रिका नेटवर्क को मोंटेज़ुमा का बदला खेलना सिखाया। जो पहले सामान्य सुदृढीकरण सीखने के एल्गोरिदम के लिए उपज नहीं था।

इस चाल के बिना, तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए जटिल आंदोलनों को कॉपी करने का प्रयास विफल हो गया क्योंकि तंत्रिका नेटवर्क को एक छोटा रास्ता मिला। हालांकि पूरे प्रक्षेपवक्र के लिए इतना बड़ा इनाम नहीं दिया गया था, लेकिन फिर भी किसी तरह का इनाम था। उदाहरण के लिए, एक सोमरस वापस करने के बजाय, तंत्रिका नेटवर्क बस थोड़ा सा उछलता है और उसकी पीठ पर फ्लॉप होता है।



लेकिन इस दृष्टिकोण के साथ, बिना किसी समस्या के तंत्रिका नेटवर्क लगभग किसी भी जटिलता के प्रक्षेपवक्र का अध्ययन करता है।



DeepMimic की मुख्य समस्या, जिसने इसे सीधे वीडियो गेम पर लागू करने से रोक दिया, यह है कि तंत्रिका नेटवर्क को एक ही बार में कई अलग-अलग एनिमेशन करने के लिए प्रशिक्षित करना संभव नहीं था। प्रत्येक एनीमेशन के लिए एक अलग तंत्रिका नेटवर्क को प्रशिक्षित करना आवश्यक था। लेखकों ने उन्हें अलग-अलग तरीकों से संयोजित करने की कोशिश की, लेकिन 3-4 से अधिक एनिमेशन संयुक्त नहीं हो सके।

नए काम में, यह समस्या भी पूरी तरह से हल नहीं हुई है, लेकिन विभिन्न एनिमेशन के बीच एक चिकनी संक्रमण की दिशा में बहुत प्रगति हुई है।

यह ध्यान दिया जाना चाहिए कि यह समस्या मौजूदा सभी समान एनीमेशन तंत्रिका नेटवर्क को प्रभावित करती है। उदाहरण के लिए, यह तंत्रिका नेटवर्क , जिसे मोशन कैप्चर की नकल में भी प्रशिक्षित किया जाता है, एक शारीरिक इंजन पर मानवीय चरित्र की एक बड़ी संख्या (326!) को ईमानदारी से नियंत्रित करने में सक्षम है। भारित भार और विभिन्न संयुक्त चोटों के विभिन्न भारों को अपनाना। लेकिन एक ही समय में, प्रत्येक एनीमेशन के लिए, एक अलग प्रशिक्षित तंत्रिका नेटवर्क की आवश्यकता होती है।

यह समझा जाना चाहिए कि ऐसे तंत्रिका नेटवर्क का लक्ष्य केवल मानव एनीमेशन को दोहराना नहीं है। और भौतिकी इंजन पर इसे दोहराएं। इसी समय, सुदृढीकरण लर्निंग एल्गोरिदम इस प्रशिक्षण को विश्वसनीय और हस्तक्षेप के लिए प्रतिरोधी बनाते हैं। फिर इस तरह के एक तंत्रिका नेटवर्क को एक भौतिक रोबोट में स्थानांतरित किया जा सकता है जो ज्यामिति में या किसी व्यक्ति से द्रव्यमान में भिन्न होता है, लेकिन यह अभी भी लोगों के आंदोलनों को वास्तविक रूप से दोहराना जारी रखेगा (खरोंच से शुरू, जैसा कि पहले ही उल्लेख किया गया है, यह प्रभाव अभी तक प्राप्त नहीं हुआ है)। या, जैसा कि ऊपर दिए गए काम में है, आप वस्तुतः यह पता लगा सकते हैं कि अधिक आरामदायक कृत्रिम अंग विकसित करने के लिए पैर की चोट वाला व्यक्ति कैसे आगे बढ़ेगा।

यहां तक ​​कि पहले डीपमिमिक में भी ऐसे अनुकूलन की शुरुआत थी। लाल गेंद को स्थानांतरित करना संभव था, और चरित्र ने हर बार गेंद को फेंक दिया। लक्ष्य को सटीक रूप से मारने के लिए फेंकने वाले बल का लक्ष्य और माप करना। यद्यपि उन्हें एकमात्र मोशन कैप्चर ट्रैक पर प्रशिक्षित किया गया था, जो ऐसा अवसर प्रदान नहीं करता है।



इसलिए, इसे पूर्ण रूप से प्रशिक्षित AI प्रशिक्षण माना जा सकता है, और मानव आंदोलनों की नकल आपको सीखने को गति देने और आंदोलनों को नेत्रहीन रूप से अधिक आकर्षक बनाने की अनुमति देती है, हमारे लिए परिचित है (हालांकि तंत्रिका नेटवर्क के दृष्टिकोण से वे एक ही समय में सबसे इष्टतम नहीं हो सकते हैं)।

इस दिशा में नया काम आगे भी बढ़ा है।


कोई भौतिक इंजन नहीं है, यह वीडियो गेम के लिए विशुद्ध रूप से एनीमेशन प्रणाली है। लेकिन जोर कई एनिमेशन के बीच यथार्थवादी स्विचिंग पर है। और खेल आइटम के साथ बातचीत करने के लिए: चलती वस्तुओं, फर्नीचर का उपयोग करना, दरवाजे खोलना।



तंत्रिका नेटवर्क की वास्तुकला में दो भाग होते हैं। एक (गेटिंग नेटवर्क), राज्य की वर्तमान स्थिति और वर्तमान लक्ष्य के आधार पर, चुनता है कि किस एनीमेशन का उपयोग करना है, और दूसरा (मोशन भविष्यवाणी नेटवर्क) एनीमेशन के अगले फ्रेम की भविष्यवाणी करता है।



यह सब सिमुलेशन रीइनफोर्समेंट लर्निंग का उपयोग करके मोशन कैप्चर पटरियों के एक सेट पर प्रशिक्षित किया गया था।

लेकिन इस काम की मुख्य उपलब्धि अलग है। कैसे डेवलपर्स ने तंत्रिका नेटवर्क को विभिन्न आकारों की वस्तुओं के साथ काम करने और विभिन्न चौड़ाई या ऊंचाइयों के मार्ग में निचोड़ने के लिए सिखाया। ताकि हाथ और पैर की स्थिति यथार्थवादी दिखे और उस वस्तु के आकार के अनुरूप हो जिसके साथ चरित्र खेल में बातचीत करता है।

रहस्य सरल था: वृद्धि!

सबसे पहले, मोशन कैप्चर ट्रैक से, उन्होंने कुर्सी के आर्मरेस्ट के साथ हाथों के संपर्क बिंदुओं को निर्धारित किया। फिर उन्होंने कुर्सी के मॉडल को एक व्यापक के साथ बदल दिया, और मोशन कैप्चर प्रक्षेपवक्र को पुनर्गठित किया ताकि हाथों को एक ही बिंदु पर आर्मरेस्ट को स्पर्श किया जाए, लेकिन एक व्यापक कुर्सी पर। और उन्होंने मोशन कैप्चर द्वारा उत्पन्न इस नए प्रक्षेपवक्र को अनुकरण करने के लिए तंत्रिका नेटवर्क को मजबूर किया। इसी तरह बक्से के आयाम, गलियारे की ऊंचाई आदि के साथ।



पर्यावरण के विभिन्न 3 डी मॉडल के साथ कई बार दोहराते हुए, जिसके साथ खिलाड़ी बातचीत करेगा, तंत्रिका नेटवर्क ने विभिन्न आकारों की वस्तुओं को वास्तविक रूप से संभालना सीखा है।



खेल में पर्यावरण के साथ बातचीत करने के लिए, इसके अलावा वस्तुओं को उल्टी करना भी आवश्यक था ताकि यह तंत्रिका नेटवर्क के इनपुट पर सेंसर के रूप में काम करे।



परिणाम खेल पात्रों के लिए एक बहुत अच्छा एनीमेशन था। क्रियाओं के बीच और विभिन्न आकारों की वस्तुओं के साथ वास्तविक रूप से बातचीत करने की क्षमता के साथ चिकनी संक्रमण के साथ।

मैं दृढ़ता से वीडियो देखने की सलाह देता हूं अगर किसी ने पहले से ऐसा नहीं किया है। यह बहुत विस्तार से वर्णन करता है कि उन्होंने यह कैसे हासिल किया।

इस दृष्टिकोण का उपयोग एनीमेशन के लिए किया जा सकता है, जिसमें चार-पैर वाले जानवर शामिल हैं, जानवरों और राक्षसों के आंदोलनों की नायाब गुणवत्ता और यथार्थवाद प्राप्त करना:

संदर्भ

वीडियो
स्रोत के साथ प्रोजेक्ट पेज
काम का विस्तृत विवरण के साथ पीडीएफ फाइल: SIGGRAPH_Asia_2019 / Paper.pdf