AI-model kan muligvis lade spiludviklere generere livlige animationer

Et hold af forskere hos Electronic Arts har for nylig eksperimenteret med forskellige kunstig intelligensalgoritmer, herunder forstærkninglæringsmodeller, for at automatisere aspekter af videospilskabelse. Forskerne håber, at AI-modellerne kan spare deres udviklere og animatører tid med repetitive opgaver som kodning af karakterbevægelser.

Design af et videospil, især de store, triple-A-videospil, der er designede af store spilfirmaer, kræver tusinder af timers arbejde. Da videospilkonsoller, computere og mobile enheder bliver mere kraftfulde, bliver videospillene selv mere og mere komplekse. Spiludviklere søger efter måder at producere mere spilindhold med mindre indsats, f.eks. vælger de ofte at bruge procedurgenereringsalgoritmer til at producere landskaber og miljøer. Lignende kunstig intelligensalgoritmer kan bruges til at generere videospilniveauer, automatisere spiltest og sogar animere karakterbevægelser.

Karakteranimationer til videospil er ofte afsluttet med hjælp af motion capture-systemer, som sporer bevægelserne af rigtige skuespillere for at sikre mere livlige animationer. however, denne tilgang har begrænsninger. Ikke kun skal koden, der driver animationerne, stadig skrives, men animatørerne er også begrænsede til kun de handlinger, der er blevet fanget.

Som Wired rapporterede, forskere fra EA satte sig for at automatisere denne proces og spare både tid og penge på disse animationer. Holdet af forskere demonstrerede, at en forstærkninglæringsalgoritme kunne bruges til at oprette en menneskeligt model, der bevæger sig på realistiske måder, uden behov for at manuelt optage og kode bevægelserne. Forskningsholdet brugte “Motion Variational Autoencoders” (Motion VAEs) til at identificere relevante mønstre af bevægelse fra motion-capture-data. Efter autoencoderne havde udtrukket bevægelsesmønstrene, blev et forstærkninglæringsystem trænet med dataene med målet at oprette realistiske animationer baseret på bestemte mål (såsom at løbe efter en bold i en fodboldkamp). Planlægnings- og kontrolalgoritmerne, som forskningsholdet brugte, kunne generere de ønskede bevægelser, endda producere bevægelser, der ikke var i den oprindelige samling af motion-capture-data. Dette betyder, at efter at have lært, hvordan en person går, kan forstærkninglæringsmodellen bestemme, hvordan løb ser ud.

Julian Togelius, NYU-professor og AI-værktøjsfirma Modl.ai-co-founder blev citeret af Wired som siger, at teknologien kunne være meget nyttig i fremtiden og sandsynligvis vil ændre, hvordan indhold til spil bliver skabt.

“Procedural animation vil være en stor sag. Det automatiserer en masse af arbejdet, der går ind i opbygning af spilindhold,” Togelius sagde til Wired.

Ifølge professor Michiel van de Panne fra UBC, der var involveret i forstærkninglæringsprojektet, søger forskningsholdet at tage konceptet videre ved at animere ikke-menneskelige avatarer med samme proces. Van de Panne sagde til Wired, at selvom processen med at skabe nye animationer kan være ret svær, er han sikker på, at teknologien vil kunne rendre tiltrækkende animationer en dag.

Andre anvendelser af AI i udviklingen af videospil inkluderer generering af grundlæggende spil. F.eks. formåede forskere ved University of Toronto at designe en generativ adversarial network, der kunne genskabe spillet Pac-Man uden adgang til nogen af koden, der blev brugt til at designe spillet. Andre steder brugte forskere fra University of Alberta AI-modeller til at generere niveauer af videospil baseret på reglerne for forskellige spil som Super Mario Bros. og Mega Man.