🤦🏿 🅾️ 🕯️ कैसे खेल भौतिकी को पुन: पेश करने के लिए एक तंत्रिका नेटवर्क सिखाने के लिए ◼️ 💗 ◼️

लगभग किसी भी आधुनिक कंप्यूटर गेम में, एक भौतिक इंजन की उपस्थिति एक पूर्वापेक्षा है। हवा में लहराते हुए झंडे और खरगोश, गेंदों से बमबारी - यह सब उचित निष्पादन की आवश्यकता है। और, ज़ाहिर है, भले ही सभी नायक रेनकोट नहीं पहनते हैं ... लेकिन जो वास्तव में पहनते हैं उन्हें फहराता कपड़े के पर्याप्त अनुकरण की आवश्यकता होती है।

फिर भी, इस तरह के इंटरैक्शन का पूर्ण भौतिक मॉडलिंग अक्सर असंभव हो जाता है, क्योंकि यह वास्तविक समय के खेल के लिए आवश्यक से अधिक परिमाण के आदेश है। यह लेख एक नई मॉडलिंग पद्धति प्रदान करता है जो शारीरिक सिमुलेशन को तेज कर सकता है, उन्हें 300-5000 गुना तेज बना सकता है। इसका उद्देश्य शारीरिक बलों को अनुकरण करने के लिए एक तंत्रिका नेटवर्क को सिखाने की कोशिश करना है।

भौतिक इंजन के विकास में प्रगति दोनों तकनीकी उपकरणों की बढ़ती कंप्यूटिंग शक्ति और तेज और स्थिर मॉडलिंग विधियों के विकास से निर्धारित होती है। इस तरह के तरीकों में शामिल हैं, उदाहरण के लिए, उप-स्थान और डेटा-चालित दृष्टिकोणों में स्थान काटकर मॉडलिंग - जो कि डेटा पर आधारित है। पूर्व का काम केवल कम या संकुचित उप-स्थान में होता है, जहां विकृति के केवल कुछ रूपों को ध्यान में रखा जाता है। बड़ी परियोजनाओं के लिए, इससे तकनीकी आवश्यकताओं में उल्लेखनीय वृद्धि हो सकती है। डेटा-संचालित दृष्टिकोण सिस्टम की मेमोरी और उसमें संग्रहीत पूर्व-गणना डेटा का उपयोग करते हैं, जो इन आवश्यकताओं को कम करता है।

यहां हम एक दृष्टिकोण को देखते हैं जो दोनों तरीकों को जोड़ता है: इस तरह, यह दोनों की ताकत को भुनाने का इरादा है। इस तरह की विधि की व्याख्या दो तरीकों से की जा सकती है: या तो एक उप-नेटवर्क मॉडलिंग विधि के रूप में जिसे तंत्रिका नेटवर्क द्वारा परिचालित किया जाता है, या एक संपीड़ित सिम्युलेटेड माध्यम के निर्माण के लिए उप-माध्यम मॉडलिंग पर आधारित डीडी विधि के रूप में।

इसका सार यह है: पहले हम माया nCloth का उपयोग करके उच्च-परिशुद्धता सिमुलेशन डेटा एकत्र करते हैं, और फिर हम प्रमुख घटक विधि (PCA) का उपयोग करके रैखिक उप-स्थान की गणना करते हैं। अगले चरण में, हम शास्त्रीय तंत्रिका नेटवर्क मॉडल और हमारी नई कार्यप्रणाली के आधार पर मशीन लर्निंग का उपयोग करते हैं, जिसके बाद हम प्रशिक्षित मॉडल को कई एल्गोरिदम के साथ एक इंटरैक्टिव एल्गोरिथ्म में पेश करते हैं, जैसे कि एक GPU द्वारा एक कुशल डीकंप्रेसन एल्गोरिथ्म और अनुमानित शीर्ष मानदंडों का एक तरीका।

चित्र 1. विधि का संरचनात्मक आरेख

प्रशिक्षण डेटा

सामान्यतया, इस विधि के लिए एकमात्र इनपुट वस्तु के कोने के फ्रेम-बाय-फ्रेम पदों के कच्चे समय के टिकट हैं। अगला, हम इस तरह के डेटा को इकट्ठा करने की प्रक्रिया का वर्णन करते हैं।

हम माया nCloth में सिमुलेशन प्रदर्शन करते हैं, प्रति सेकंड 60 स्थिरता के आधार पर डेटा को कैप्चर करते हैं, सिमुलेशन की स्थिरता के आधार पर 5 या 20 सबस्टेप और 10 या 25 सीमित पुनरावृत्तियों के साथ। कपड़े के लिए, सामग्री के वजन में मामूली वृद्धि और स्ट्रेचिंग के प्रतिरोध के लिए मामूली कमी के साथ एक टी-शर्ट मॉडल लें, और कम घर्षण के साथ कठोर वस्तुओं के लिए। हम बाहरी ज्यामिति, स्व-टकराव के त्रिकोणों को टकराकर बाहरी टकराव करते हैं - कपड़े के लिए कोने के साथ कोने और रबर के लिए त्रिकोण के साथ कोने। सभी मामलों में, हम मॉडल के स्थायित्व को सुनिश्चित करने के लिए और कपड़े की पिंचिंग और फाड़ को रोकने के लिए - बल्कि 5 सेमी के क्रम की - बल्कि एक बड़ी टक्कर मोटाई का उपयोग करते हैं।

तालिका 1. मॉडल की गई वस्तुओं के पैरामीटर

सरल वस्तुओं के विभिन्न प्रकार के इंटरैक्शन के लिए (उदाहरण के लिए, गोले), हम यादृच्छिक समय पर यादृच्छिक निर्देशांक को क्रॉप करके उनके आंदोलन को एक यादृच्छिक तरीके से उत्पन्न करेंगे। एक चरित्र के साथ ऊतक की बातचीत का अनुकरण करने के लिए, हम 6.5 × 10 ⁵ फ्रेम के मोशन कैप्चर डेटाबेस का उपयोग करते हैं, जो एक बड़े एनीमेशन हैं। सिमुलेशन के पूरा होने पर, हम परिणाम को सत्यापित करते हैं और अस्थिर या खराब व्यवहार के साथ फ्रेम को बाहर करते हैं। स्कर्ट के साथ दृश्य के लिए, हम चरित्र के हाथों को हटा देते हैं, क्योंकि वे अक्सर पैरों के जाल के ज्यामिति के साथ प्रतिच्छेद करते हैं और अब महत्वहीन हैं।

चित्र 2. तालिका के पहले दो दृश्य

आमतौर पर हमें प्रशिक्षण डेटा के 10 ⁵ -10 ⁶ फ्रेम की आवश्यकता होती है। हमारे अनुभव में, ज्यादातर मामलों में 10 ⁵ फ्रेम परीक्षण के लिए पर्याप्त हैं, जबकि 10 ⁶ फ्रेम के साथ सबसे अच्छे परिणाम प्राप्त होते हैं।

ट्रेनिंग

अगला, हम मशीन सीखने की प्रक्रिया के बारे में बात करेंगे: हमारे तंत्रिका नेटवर्क में पैरामीटर के बारे में, नेटवर्क वास्तुकला के बारे में और सीधे तकनीक के बारे में।

parameterization

प्रशिक्षण डेटा सेट प्राप्त करने के लिए, हम प्रत्येक फ़्रेम टी में एक वेक्टर x t में कोने के निर्देशांक एकत्र करते हैं, और फिर इन फ़्रेम-बाय-फ़्रेम वैक्टर को एक बड़े मैट्रिक्स X में संयोजित करते हैं। यह मैट्रिक्स मॉडल किए गए ऑब्जेक्ट की स्थिति का वर्णन करता है। इसके अलावा, हमारे पास प्रत्येक फ्रेम में बाहरी वस्तुओं की स्थिति का अंदाजा होना चाहिए। साधारण वस्तुओं (जैसे गेंदों) के लिए, आप उनके तीन-आयामी निर्देशांक का उपयोग कर सकते हैं, जबकि संदर्भ बिंदु के सापेक्ष प्रत्येक संयुक्त की स्थिति से जटिल मॉडल (चरित्र) की स्थिति का वर्णन किया जाता है: स्कर्ट के मामले में, इस तरह का समर्थन एक लबादा - गर्दन के मामले में होगा। गतिमान संदर्भ प्रणाली वाली वस्तुओं के लिए, इसके सापेक्ष पृथ्वी की स्थिति को ध्यान में रखा जाना चाहिए: तब हमारी प्रणाली गुरुत्वाकर्षण की दिशा, साथ ही इसकी रैखिक गति, त्वरण, रोटेशन की गति और रोटेशन के त्वरण को जान सकेगी। झंडे के लिए हम हवा की गति और दिशा को ध्यान में रखेंगे। नतीजतन, प्रत्येक वस्तु के लिए हमें एक बड़ा वेक्टर मिलता है जो बाहरी वस्तु की स्थिति का वर्णन करता है, और इन सभी वैक्टर को मैट्रिक्स Y में भी जोड़ा जाता है।

अब हम पीसीए को मैट्रिक्स एक्स और वाई दोनों पर लागू करते हैं, और परिणामी रूपांतरण मैट्रिक्स जेड और डब्ल्यू का उपयोग करते हुए उप-छवि का निर्माण करते हैं। यदि पीसीए प्रक्रिया में बहुत अधिक मेमोरी की आवश्यकता होती है, तो पहले हमारे डेटा का नमूना लें।

पीसीए संपीड़न अनिवार्य रूप से विस्तार का नुकसान होता है, विशेष रूप से कई संभावित परिस्थितियों वाली वस्तुओं के लिए, जैसे कपड़े के पतले सिलवटों के लिए। हालांकि, अगर उप-स्थान में 256 बेस वैक्टर होते हैं, तो यह आमतौर पर अधिकांश विवरणों को संरक्षित करने में मदद करता है। नीचे क्लोक के मानक भौतिकी और क्रमशः 256, 128 और 64 बेस वैक्टर वाले मॉडल हैं।

चित्रा 3. विभिन्न आयाम आधारों के साथ रिक्त स्थान में हमारी विधि द्वारा प्राप्त मॉडल के साथ नियंत्रण मॉडल (मानक) की तुलना

स्रोत और विस्तारित मॉडल

एक मॉडल विकसित करना आवश्यक था जो भविष्य के फ्रेम में मॉडल वैक्टर की स्थिति का अनुमान लगा सके। और चूंकि जड़ता आम तौर पर कुछ औसत राज्य की प्रवृत्ति के साथ सिम्युलेटेड वस्तुओं की विशेषता होती है (पीसीए प्रक्रिया के बाद वस्तु शून्य मान पर ऐसी स्थिति मानती है), एक अच्छा प्रारंभिक मॉडल चित्र 4 में एल्गोरिथ्म की लाइन 9 द्वारा दर्शाई गई अभिव्यक्ति होगी। यहां α और β मॉडल पैरामीटर हैं, Oded एक विस्फोटित उत्पाद है। इन मापदंडों के मूल्यों को α और के लिए व्यक्तिगत रूप से रैखिक न्यूनतम वर्गों समीकरण को हल करके स्रोत डेटा से प्राप्त किया जाएगा:

यहाँ p मैट्रिक्स का छद्म बिंदु परिवर्तन है ।

चूंकि इस तरह की भविष्यवाणी केवल एक बहुत ही मोटा अनुमान है और बाहरी वस्तुओं w के प्रभाव को ध्यान में नहीं रखता है, जाहिर है, यह प्रशिक्षण डेटा को सटीक रूप से मॉडल करने में सक्षम नहीं होगा। इसलिए, हम एल्गोरिथ्म की 11 वीं पंक्ति के अनुसार मॉडल के अवशिष्ट प्रभावों का अनुमान लगाने के तंत्रिका नेटवर्क को प्रशिक्षित करते हैं। यहां हम सक्रियण फ़ंक्शन ReLU का उपयोग करके प्रत्येक परत (आउटपुट को छोड़कर) के लिए 10 परतों के साथ एक मानक प्रत्यक्ष वितरण तंत्रिका नेटवर्क का मानकीकरण करते हैं । इनपुट और आउटपुट परतों को छोड़कर, हम प्रत्येक शेष परत पर पीसीए डेटा के डेढ़ आकार के बराबर छिपी हुई इकाइयों की संख्या निर्धारित करते हैं, जिसके कारण हार्ड ड्राइव और प्रदर्शन पर कब्जे वाले स्थान के बीच एक अच्छा समझौता हुआ।

चित्रा 4. तंत्रिका नेटवर्क लर्निंग एल्गोरिदम

तंत्रिका नेटवर्क प्रशिक्षण

एक तंत्रिका नेटवर्क को प्रशिक्षित करने का एक मानक तरीका पूरे डेटा सेट पर पुनरावृत्ति करना और प्रत्येक फ्रेम के लिए पूर्वानुमान बनाने के लिए नेटवर्क को प्रशिक्षित करना होगा। बेशक, इस तरह के दृष्टिकोण से कम सीखने की त्रुटि होगी, लेकिन इस तरह की भविष्यवाणी में प्रतिक्रिया से इसके परिणाम का अस्थिर व्यवहार होगा। इसलिए, स्थिर दीर्घकालिक भविष्यवाणी सुनिश्चित करने के लिए, हमारा एल्गोरिथ्म एकीकरण प्रक्रिया के दौरान त्रुटियों के वापस प्रसार की विधि का उपयोग करता है।

सामान्य तौर पर, यह इस तरह से काम करता है: प्रशिक्षण डेटा z और w की एक छोटी खिड़की से , हम पहले दो फ्रेम z ₀ और z ₁ _लेते हैं और सीखने के मार्ग को थोड़ा बाधित करने के _{लिए उनमें} थोड़ा शोर r ₀ , r ₁ जोड़ते हैं। फिर, अगले फ्रेम की भविष्यवाणी करने के लिए, हम कई बार एल्गोरिथ्म चलाते हैं, प्रत्येक नए समय पर भविष्यवाणियों के पिछले परिणामों पर लौटते हैं। जैसे ही हमें पूरे प्रक्षेपवक्र की भविष्यवाणी मिलती है, हम औसत समन्वय त्रुटि की गणना करते हैं, और फिर इसे TensorFlow का उपयोग करके गणना की गई स्वचालित डेरिवेटिव का उपयोग करके AmsGrad अनुकूलक में पास करते हैं।

हम इस फ्रेम को 16 फ्रेमों के मिनी-नमूनों पर दोहराएंगे, 32 फ़्रेमों की ओवरलैपिंग खिड़कियों का उपयोग करते हुए, 100 युगों तक या जब तक प्रशिक्षण परिवर्तित नहीं हो जाता। हम 0.0001 के सीखने की दर, 0.999 की सीखने की दर के क्षीणन गुणांक और पीसीए अंतरिक्ष के पहले तीन घटकों से गणना की जाने वाली शोर के मानक विचलन का उपयोग करते हैं। इस तरह के प्रशिक्षण में स्थापना की जटिलता और पीसीए डेटा के आकार के आधार पर 10 से 48 घंटे लगते हैं।

चित्रा 5. संदर्भ स्कर्ट और हमारे तंत्रिका नेटवर्क के निर्माण के लिए दृश्य तुलना

सिस्टम कार्यान्वयन

हम एक संवादात्मक वातावरण में हमारी पद्धति के कार्यान्वयन के बारे में विस्तार से वर्णन करेंगे, जिसमें एक तंत्रिका नेटवर्क का मूल्यांकन करना, प्रतिपादन के लिए वस्तुओं की सतहों पर मानदंडों की गणना करना और हम दृश्यमान चौराहों के साथ कैसे व्यवहार करते हैं।

रेंडरिंग ऐप

हम सी + + और डायरेक्टएक्स में लिखे गए एक साधारण इंटरैक्टिव 3 डी एप्लिकेशन में परिणामी मॉडल को प्रस्तुत करते हैं: हम एक बार फिर से एकल-थ्रेडेड सी ++ कोड में प्रीप्रोसेस और न्यूरल नेटवर्क संचालन को लागू करते हैं और हमारी प्रशिक्षण प्रक्रिया के दौरान प्राप्त बाइनरी नेटवर्क वेट को लोड करते हैं। फिर हम नेटवर्क आकलन के लिए कुछ सरल अनुकूलन लागू करते हैं, विशेष रूप से, मेमोरी बफ़र्स और विरल वेक्टर-मैट्रिक्स डेटा का पुन: उपयोग, जो कि ReLU सक्रियण फ़ंक्शन के लिए धन्यवाद प्राप्त शून्य छिपी इकाइयों की उपस्थिति के कारण संभव हो जाता है।

GPU अपघटन

GPU के लिए संकुचित z राज्य डेटा भेजें और इसे आगे रेंडर करने के लिए विघटित करें। इस प्रयोजन के लिए, हम एक साधारण कम्प्यूटेशनल शेडर का उपयोग करते हैं, जो कि प्रत्येक शीर्ष के लिए वेक्टर z के बिंदु उत्पाद और मैट्रिक्स यू ^टी की पहली तीन पंक्तियों की गणना इस शीर्ष के निर्देशांक के अनुरूप करता है, जिसके बाद हम औसत मूल्य x value जोड़ते हैं। इस दृष्टिकोण के भोले अपघटन विधि पर दो फायदे हैं। सबसे पहले, GPU के समानांतरवाद ने मॉडल राज्य वेक्टर की गणना में काफी तेजी लाई, जो 1 एमएस तक ले सकता है। दूसरे, यह परिमाण के एक क्रम से केंद्रीय और GPU के बीच डेटा ट्रांसफर समय को कम करता है, जो विशेष रूप से उन प्लेटफार्मों के लिए महत्वपूर्ण है, जिन पर पूरे ऑब्जेक्ट के पूरे राज्य का स्थानांतरण बहुत धीमा है।

वर्टेक्स सामान्य भविष्यवाणी

रेंडरिंग के दौरान, केवल कोने के निर्देशांक तक पहुंच होना पर्याप्त नहीं है - उनके मानदंडों के विकृतियों की जानकारी भी आवश्यक है। आमतौर पर, एक भौतिक इंजन में, या तो इस गणना को छोड़ दिया जाता है, या पड़ोसी छोरों के लिए उनके बाद के पुनर्वितरण के साथ मानदंडों के एक भोले फ्रेम-बाय-फ्रेम पुनर्गणना करते हैं। यह अक्षम हो सकता है, क्योंकि केंद्रीय प्रोसेसर के मूल कार्यान्वयन, विघटन और डेटा हस्तांतरण की लागत के अलावा, इस तरह की प्रक्रिया के लिए एक और 150 μs की आवश्यकता होती है। और यद्यपि यह गणना जीपीयू पर की जा सकती है, लेकिन समानांतर संचालन की आवश्यकता के कारण इसे लागू करना अधिक कठिन हो जाता है।

इसके बजाय, हम GPU shader पर सामान्य पूर्ण-अवस्था वैक्टर के लिए उप-स्थिति की एक रेखीय प्रतिगमन करते हैं। प्रत्येक फ्रेम में कोने के मानदंडों के मूल्यों को जानने के बाद, हम मैट्रिक्स Q की गणना करते हैं, जो कि कोने के मानदंडों पर उप-प्रतिनिधित्व का सबसे अच्छा प्रतिनिधित्व करता है।

चूंकि हमारी पद्धति में मानदंडों की भविष्यवाणी पहले कभी नहीं दिखाई गई है, इस बात की कोई गारंटी नहीं है कि यह दृष्टिकोण सटीक होगा, लेकिन व्यवहार में यह वास्तव में अच्छा साबित हुआ, जैसा कि नीचे दिए गए आंकड़े से देखा जा सकता है।

चित्र 6. हमारी पद्धति और संदर्भ (जमीनी सच्चाई) द्वारा गणना किए गए मॉडल की तुलना, साथ ही उनके बीच का अंतर

अंतर्मुखता की लड़ाई

हमारे तंत्रिका नेटवर्क कुशलता से टकराव करना सीखते हैं, हालांकि, उप-प्रजाति के संपीड़न के कारण भविष्यवाणियों और त्रुटियों में अशुद्धियों के कारण, बाहरी वस्तुओं और सिम्युलेटेड लोगों के बीच चौराहे हो सकते हैं। इसके अलावा, चूंकि हम प्रतिपादन की शुरुआत तक दृश्य की पूर्ण स्थिति की गणना को स्थगित कर देते हैं, इसलिए इन समस्याओं को प्रभावी ढंग से अग्रिम रूप से हल करने का कोई तरीका नहीं है। इसलिए, उच्च प्रदर्शन बनाए रखने के लिए, प्रतिपादन के दौरान इन चौराहों को खत्म करना आवश्यक है।

हमें इसके लिए एक सरल और प्रभावी समाधान मिला, जिसमें इस तथ्य को समाहित किया गया कि अंतःक्षेत्रों को आदिम की सतह पर प्रक्षेपित किया जाता है जिससे हम चरित्र बनाते हैं। यह प्रोजेक्शन GPU पर एक ही कम्प्यूटेशनल शेडर का उपयोग करना आसान है जो कपड़े को डिकम्प्रेस करता है और सामान्य छायांकन की गणना करता है।

तो, सबसे पहले, हम विभिन्न प्रारंभिक और अंतिम रेडी के साथ कोने से जुड़े प्रॉक्सी ऑब्जेक्ट से चरित्र की रचना करेंगे, जिसके बाद हम इन ऑब्जेक्ट्स के निर्देशांक और रेडी के बारे में जानकारी कम्प्यूटेशनल शेडर को स्थानांतरित करेंगे। एक बार फिर, इसी प्रॉक्सी ऑब्जेक्ट के साथ प्रतिच्छेदन के लिए प्रत्येक शीर्ष के निर्देशांक की जांच करें और यदि ऐसा है, तो इस शीर्ष को प्रॉक्सी ऑब्जेक्ट की सतह पर प्रोजेक्ट करें। तो हम केवल सामान्य स्वयं को छूने के बिना, शीर्ष की स्थिति को सही करते हैं, ताकि छायांकन को नुकसान न पहुंचे।

यह दृष्टिकोण वस्तुओं के छोटे दृश्यमान चौराहों को हटा देगा, बशर्ते कि शीर्ष विस्थापन की त्रुटियां इतनी बड़ी न हों कि प्रक्षेपण संबंधित प्रॉक्सी वस्तु के विपरीत दिशा में हो।

7. , -, :

, :

, ;
, , ;
, ;
, ;
, ;
, .

, .

- 16 , 120 240 .

8. 16 . Party time!

, , , , .

, PCA. , , , .

9. , , –

― , . , . 300-5000 , . , - (HRPD) , (LSTM) (GRU) .

, . Intel Xeon E5-1650 3.5 GHz GeForce GTX 1080 Titan.

2.

, , . , .

data-driven , . , , , , , . , , ― , .

, , , .

, . data-driven , ― , . , , , . , , , .

, . .

, , , . , , ― , . -, , , - . .

, , , , . , , , , ― , , . .

.

10. vs : choose your fighter

कैसे खेल भौतिकी को पुन: पेश करने के लिए एक तंत्रिका नेटवर्क सिखाने के लिए