Los jugadores de baloncesto necesitan mucha práctica antes de dominar el regate, y resulta que también es cierto para los jugadores animados por computadora. Al usar el aprendizaje de refuerzo profundo, los jugadores en los juegos de video baloncesto pueden obtener información de los datos de captura de movimiento para agudizar su regatehabilidades.
Investigadores de la Universidad Carnegie Mellon y DeepMotion Inc., una compañía de California que desarrolla avatares inteligentes, han desarrollado por primera vez un método en tiempo real basado en la física para controlar personajes animados que pueden aprender habilidades de regate de la experiencia. En este caso, el sistema aprende de la captura de movimiento de los movimientos realizados por personas que botean pelotas de baloncesto.
Este proceso de aprendizaje de prueba y error lleva mucho tiempo, requiere millones de pruebas, pero los resultados son movimientos del brazo que están estrechamente coordinados con el movimiento de la pelota físicamente plausible. Los jugadores aprenden a driblar entre las piernas, driblar detrás de la espalda y hacer crossovermovimientos, así como cómo pasar de una habilidad a otra.
"Una vez que se aprenden las habilidades, se pueden simular nuevos movimientos mucho más rápido que en tiempo real", dijo Jessica Hodgins, profesora de informática y robótica de Carnegie Mellon.
Hodgins y Libin Liu, científico jefe de DeepMotion, presentarán el método en SIGGRAPH 2018, la Conferencia sobre gráficos por computadora y técnicas interactivas, del 12 al 18 de agosto, en Vancouver.
"Esta investigación abre la puerta a la simulación de deportes con avatares virtuales expertos", dijo Liu, el primer autor del informe. "La tecnología se puede aplicar más allá de la simulación deportiva para crear personajes más interactivos para juegos, animación, análisis de movimiento y en elfuturo, robótica "
Los datos de captura de movimiento ya agregan realismo a los videojuegos de última generación. Pero estos juegos también incluyen artefactos desconcertantes, señaló Liu, como bolas que siguen trayectorias imposibles o que parecen adherirse a la mano de un jugador.
Un método basado en la física tiene el potencial de crear juegos más realistas, pero obtener los detalles sutiles es difícil. Esto es especialmente cierto para driblar una pelota de baloncesto porque el contacto del jugador con la pelota es breve y la posición de los dedos es crítica. Algunos detalles, comoya que la forma en que una bola puede continuar girando brevemente cuando hace un ligero contacto con las manos del jugador, es difícil de reproducir. Y una vez que se lanza la bola, el jugador tiene que anticipar cuándo y dónde volverá la bola.
Liu y Hodgins optaron por utilizar el aprendizaje de refuerzo profundo para permitir que el modelo capte estos detalles importantes. Los programas de inteligencia artificial han utilizado esta forma de aprendizaje profundo para descubrir una variedad de videojuegos y el famoso programa AlphaGo lo empleó para dominar eljuego de mesa Go.
Los datos de captura de movimiento utilizados como entrada eran de personas que hacían cosas como rotar la pelota alrededor de la cintura, driblar mientras corrían y driblar en su lugar con la mano derecha y al cambiar de mano. Estos datos de captura no incluían el movimiento de la pelota,que Liu explicó que es difícil de registrar con precisión, en su lugar, utilizaron la optimización de trayectoria para calcular las rutas más probables de la pelota para un movimiento de mano dado.
El programa aprendió las habilidades en dos etapas: primero dominó la locomoción y luego aprendió a controlar los brazos y las manos y, a través de ellos, el movimiento de la pelota. Este enfoque desacoplado es suficiente para acciones como dribbling o quizás malabares, donde la interacción entre el personaje y el objeto no tiene un efecto en el equilibrio del personaje. Se requiere más trabajo para abordar los deportes, como el fútbol, donde el equilibrio está estrechamente relacionado con las maniobras del juego, dijo Liu.
Fuente de la historia :
Materiales proporcionado por Universidad Carnegie Mellon . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :