Ein Team von Forschern der Universität von Kalifornien, Berkeley und der Universität von British Columbia in Kanada hat entwickelte einen Algorithmus, um natürliche Bewegungen in Computeranimationen neu zu erstellen.

Traditionelle computer-simulierte Bewegungen werden als unbeholfen und rhythmisch angesehen und ahmen häufig nicht die natürlichen Bewegungen eines Menschen nach.

Enttäuscht von alten Techniken, wurde das Team inspiriert, eine Lösung zu finden.

"Die Motivation für diese Arbeit ist, dass wir simulierte Charaktere entwickeln wollen, die einige sehr herausfordernde Fähigkeiten ausüben und sich gleichzeitig auf natürliche Weise bewegen können", sagte er Xue Bin (Jason) Peng, ein UC Berkeley Student und Forscher.

Pieter Abbeel und Sergey Levine, beide von der UC Berkeley Abteilung für Elektrotechnik und Informatik, und Michiel van de Panne von der University of British Columbia auch an der Studie beteiligt.

Die Forscher nutzten das Tiefenverstärkungslernen, um natürliche Bewegungen beim Menschen nachzubilden. Mit dieser Technik können die simulierten Charaktere Akrobatik, Breakdance und Kampfsportarten ausführen und sogar auf Veränderungen in der Umgebung reagieren, wie zum Beispiel beim Stolpern oder Ausweichen von Projektilen.

Das Computersystem (DeepMimic)

Traditionell wurden zwei Techniken in der Computeranimation verwendet.

Eine erfordert das Entwerfen von angepassten Controllern für jede Fähigkeit, wie Gehen, Spiegeln oder Laufen. Die Ergebnisse dieser Methode sehen normalerweise ziemlich gut aus, sagte Peng.

Die andere Technik, die Lernmethoden mit Tiefenverstärkung verwendet, kann viele Tricks mit einem einzigen Algorithmus simulieren, aber ihre Ergebnisse sehen oft unnatürlich aus.

Die neue Technik der Forscher ermöglicht es ihnen, "das Beste aus beiden Welten" zu erhalten, sagte Peng in einer Erklärung.

Der Algorithmus des Teams kann viele Tricks simulieren und das Erscheinungsbild herkömmlicher Handsteuerungsmethoden übertreffen.

"Unsere Methode ist extrem einfach", sagte Peng.

"Wir sammeln zuerst eine einzelne Demonstration eines menschlichen Könnens (z. B. Backflip oder Spin Kick)", fuhr er fort. „Die Demonstrationen werden normalerweise in Form von Motion Capture-Clips durchgeführt. Wir führen diese Demonstration dann einem Algorithmus zum Lernen der Verstärkung zu, der versucht, die Bewegung des Menschen nachzuahmen. Der Agent ahmt die Bewegung nach, indem er den Tracking Error bei jedem Zeitschritt minimiert. Diese einfache Vorgehensweise ermöglicht es dem Charakter, einige sehr dynamische und akrobatische Fähigkeiten zu erlernen. “

Peng sammelte Referenzdaten von mehr als 25-Motion-Capture-Clips von Backflips, Cartwheels, Kip-Ups, Tresoren, Laufen, Werfen, Springen und mehr.

Das Team erlaubte dann dem System, das DeepMimic genannt wurde, jede Fähigkeit für ungefähr einen Monat zu üben.

Der Computer übte den ganzen Tag und die ganze Nacht und benutzte Versuch und Irrtum, um den menschlichen Bewegungen am nächsten zu kommen.

Da schwierige Bewegungen, wie der menschliche Backflip, viele individuelle Körperbewegungen erfordern, legen die Forscher den Algorithmus fest, um verschiedene Stadien des Backflips zu lernen. Es nahm dann alle Stufen und nähte sie zusammen, um eine volle Bewegung zu schaffen.

Wirkliche Weltanwendungen

Der Algorithmus könnte viele Anwendungen haben.

"Diese Methode bietet eine einfache Möglichkeit für simulierte Agenten, aus einer kleinen Datenmenge ein großes Repertoire an motorischen Fähigkeiten zu erlernen", so Peng. „Die unmittelbarste Anwendung dieser Arbeit werden wahrscheinlich realistischere und interaktivere Charaktere für Filme und Spiele sein. Aber in Zukunft sind wir daran interessiert, diesen Ansatz des Lernens von Demonstrationen zu nutzen, um Roboter für diese Art von dynamischen Fähigkeiten zu trainieren. “

Mit dieser revolutionären Methode betreten die Forscher in Bezug auf tiefes Lernen und Animation unerforschtes Wasser.

"Wir haben leistungsfähigere Wirkstoffe entwickelt, die sich auf natürliche Weise verhalten", sagte Peng in einer Erklärung. „Vergleicht man unsere Ergebnisse mit der Bewegungserfassung von Menschen, so ist es ziemlich schwierig, die beiden zu unterscheiden und zu erkennen, was Simulation ist und was real ist. Wir bewegen uns auf einen virtuellen Stuntman zu. “

Es wurde viel Interesse hinsichtlich der Verwendung dieser Technik in der Robotik geäußert.

Da die Methode viel Training erfordert, bevor ein Agent eine bestimmte Fähigkeit effizient erlernen kann, wird es schwierig sein, die aktuelle Methode auf die Robotik anzuwenden, sagte Peng. "Aber ich denke, die allgemeine Richtung, in der aus Demonstrationen gelernt wird, ist ein äußerst vielversprechender Forschungsansatz für die Robotik, und es gibt eine Menge spannender Arbeiten, die diese Ansätze untersuchen."