p Pesquisadores da Carnegie Mellon University e DeepMotion Inc., uma empresa da Califórnia que desenvolve avatares inteligentes, desenvolveram, pela primeira vez, um modelo baseado na física, método em tempo real para controlar personagens animados que podem aprender habilidades de drible com a experiência. Nesse caso, o sistema aprende com a captura de movimentos dos movimentos realizados por pessoas que driblam bolas de basquete. Crédito:Carnegie Mellon University / DeepMotion
p Os jogadores de basquete precisam de muita prática antes de dominar o drible, e isso também vale para jogadores animados por computador. Ao usar a aprendizagem por reforço profundo, jogadores de videogame de basquete podem obter insights de dados de captura de movimento para aprimorar suas habilidades de drible. p Pesquisadores da Carnegie Mellon University e DeepMotion Inc., uma empresa da Califórnia que desenvolve avatares inteligentes, desenvolveram, pela primeira vez, um modelo baseado na física, método em tempo real para controlar personagens animados que podem aprender habilidades de drible com a experiência. Nesse caso, o sistema aprende com a captura de movimentos dos movimentos executados por pessoas que driblam bolas de basquete.
p Este processo de aprendizagem por tentativa e erro é demorado, exigindo milhões de testes, mas os resultados são movimentos do braço que estão intimamente coordenados com o movimento da bola fisicamente plausível. Os jogadores aprendem a driblar entre as pernas, driblar pelas costas e fazer movimentos cruzados, bem como como fazer a transição de uma habilidade para outra.
p "Uma vez que as habilidades são aprendidas, novos movimentos podem ser simulados muito mais rápido do que em tempo real, "disse Jessica Hodgins, Carnegie Mellon professor de ciência da computação e robótica.
p Hodgins e Libin Liu, cientista-chefe da DeepMotion, apresentará o método no SIGGRAPH 2018, a Conferência sobre Computação Gráfica e Técnicas Interativas, 12 a 18 de agosto, em Vancouver.
Pesquisadores da Carnegie Mellon University e DeepMotion Inc., uma empresa da Califórnia que desenvolve avatares inteligentes, desenvolveram, pela primeira vez, um modelo baseado na física, método em tempo real para controlar personagens animados que podem aprender habilidades de drible com a experiência. Nesse caso, o sistema aprende com a captura de movimentos dos movimentos executados por pessoas que driblam bolas de basquete. Crédito:Carnegie Mellon University / DeepMotion p "Esta pesquisa abre a porta para simular esportes com avatares virtuais habilidosos, "disse Liu, o primeiro autor do relatório. "A tecnologia pode ser aplicada além da simulação de esporte para criar personagens mais interativos para jogos, animação, análise de movimento, e no futuro, robótica. "
p Os dados de captura de movimento já adicionam realismo aos videogames de última geração. Mas esses jogos também incluem artefatos desconcertantes, Liu observou, como bolas que seguem trajetórias impossíveis ou que parecem grudar na mão de um jogador.
p Um método baseado na física tem o potencial de criar jogos mais realistas, mas acertar os detalhes sutis é difícil. Isso é especialmente verdade para driblar uma bola de basquete porque o contato do jogador com a bola é breve e a posição do dedo é crítica. Alguns detalhes, como a forma como uma bola pode continuar girando brevemente quando faz um leve contato com as mãos do jogador, são difíceis de reproduzir. E uma vez que a bola é lançada, o jogador deve antecipar quando e para onde a bola retornará.
p Liu e Hodgins optaram por usar o aprendizado por reforço profundo para permitir que o modelo capte esses detalhes importantes. Programas de inteligência artificial têm usado essa forma de aprendizado profundo para descobrir uma variedade de videogames e o programa AlphaGo é famoso por utilizá-lo para dominar o jogo de tabuleiro Go.
p Os dados de captura de movimento usados como entrada eram de pessoas fazendo coisas como girar a bola ao redor da cintura, driblar enquanto corre e driblar no lugar, tanto com a mão direita quanto ao trocar de mãos. Esses dados de captura não incluem o movimento da bola, que Liu explicou ser difícil de registrar com precisão. Em vez de, eles usaram a otimização da trajetória para calcular os caminhos mais prováveis da bola para um determinado movimento da mão.
p O programa aprendeu as habilidades em dois estágios - primeiro, dominou a locomoção e depois aprendeu a controlar os braços e as mãos e, por eles, o movimento da bola. Esta abordagem desacoplada é suficiente para ações como driblar ou talvez malabarismo, onde a interação entre o personagem e o objeto não tem efeito no equilíbrio do personagem. É necessário mais trabalho para abordar os esportes, como futebol, onde o equilíbrio está intimamente ligado às manobras do jogo, Disse Liu.