Tekoälymalli saattaa antaa pelikehittäjille mahdollisuuden luoda elävänoloisia animaatioita

Electronic Artsin tutkijaryhmä on viime aikoina kokeillut erilaisia tekoälyalgoritmeja, mukaan lukien vahvistusoppimismallit, automatisoidakseen videopelien luomisen osia. Tutkijat toivovat, että tekoälymallit voivat säästää kehittäjille ja animaattoreille aikaa toistuvissa tehtävissä, kuten hahmojen liikkeen koodaamisessa.

Videopelin suunnittelu, erityisesti suurten, triple-A-videopelien suunnittelu suurten peliyhtiöiden toimesta, vaatii tuhansia työtunteja. Koska videopelikonsolit, tietokoneet ja mobiililaitteet ovat yhä tehokkaampia, itse pelit tulevat yhä monimutkaisemmiksi. Pelikehittäjät etsivät keinoja tuottaa enemmän pelisisältöä vähemmällä vaivalla, esimerkiksi he usein valitsevat käyttää proseduraalisia generointialgoritmeja maisemien ja ympäristöjen luomiseen. Samoin tekoälyalgoritmeja voidaan käyttää videopelien tason generointiin, pelien testaamisen automatisointiin ja jopa hahmojen liikkeen animointiin.

Hahmoanimaatiot videopeleissä tehdään usein liikkeenkaappaussysteemien avulla, jotka seuraavat näyttelijöiden liikkeitä, jotta animaatiot olisivat elävänoloisempia. Tämä lähestymistapa on kuitenkin rajoitettu. Koodi, joka ohjaa animaatioita, on edelleen kirjoitettava, ja animaattorit ovat rajoitettu vain niiden toimintoihin, jotka on kaapattu.

Wiredin mukaan Electronic Artsin tutkijat lähtivät automatisoimaan tämän prosessin ja säästämään sekä aikaa että rahaa näiden animaatioiden parissa. Tutkijaryhmä osoitti, että vahvistusoppimisalgoritmi voitiin käyttää luomaan ihmismalli, joka liikkuu realistisella tavalla, ilman että liikkeet on tarve manuaalisesti tallentaa ja koodata. Tutkimusryhmä käytti “Motion Variational Autoencoders” (Motion VAE) -menetelmää tunnistamaan liikkeen merkityksellisiä malleja liikkeenkaappaustiedosta. Kun autoencoderit poistivat liikkeen mallit, vahvistusoppimisjärjestelmä koulutettiin tiedoilla, tavoitteena luoda realistisia animaatioita tiettyjen tavoitteiden (kuten juokseminen pallon perässä jalkapallopelissä) perusteella. Suunnittelu- ja ohjausalgoritmit, joita tutkimusryhmä käytti, pystyivät generoimaan halutut liikkeet, jopa tuottamaan liikkeitä, joita ei ollut alkuperäisessä liikkeenkaappaustiedossa. Tämä tarkoittaa, että kun oppimismalli on oppinut, miten aihe liikkuu, se voi päättää, miltä juokseminen näyttää.

Julian Togelius, New Yorkin yliopiston professori ja AI-työkaluyhtiö Modl.ai:n perustaja, lainattiin Wiredissa sanoneen, että teknologia voi olla hyvin hyödyllinen tulevaisuudessa ja todennäköisesti muuttaa sitä, miten pelisisältöä luodaan.

“Proseduraalinen animaatio tulee olemaan valtava asia. Se automatisoi paljon työtä, joka menee pelisisällön luomiseen”, Togelius sanoi Wiredille.

UBC:n professori Michiel van de Panne, joka osallistui vahvistusoppimishankkeeseen, sanoi Wiredille, että tutkimusryhmä aikoo viedä käsitteen eteenpäin animoimalla ei-ihmishahmoja samalla prosessilla. Van de Panne sanoi, että vaikka uusien animaatioiden luominen voi olla hyvin vaikeaa, hän on varma, että teknologia pystyy lopulta tuottamaan viehättäviä animaatioita.

Tekoälyn muiden sovellusten kehittämisessä videopelien kehittämiseen kuuluvat peruspelien generointi. Esimerkiksi Toronton yliopiston tutkijat onnistuivat suunnittelemalla generatiivisen vastakkainen verkon, joka pystyi rekonstruoimaan pelin Pac-Man ilman pääsyä pelin suunnittelukoodiin. Muualla Alberta yliopiston tutkijat käyttivät tekoälymallia generoimaan videopelien tasoja eri pelien sääntöjen perusteella, kuten Super Mario Bros. ja Mega Man.