Tekoälymalli mahdollistaa elävän näköisten animaatioiden luomisen pelikehittäjille

Ryhmä Electronic Artsin tutkijoita on vastikään kokeillut erilaisia tekoälyalgoritmeja, mukaan lukien vahvistusoppimismalleja, automatisoidakseen videopelien luomisen osia. Tutkijat toivovat, että tekoälymallit voivat säästää kehittäjien ja animaattorien aikaa toistuvissa tehtävissä, kuten hahmojen liikkeen ohjelmoinnissa.

Videopelin suunnittelu, etenkin suurten, triple-A-videopelien suunnittelu, jota suuret peliyhtiöt tekevät, vaatii tuhansia työtunteja. Koska videopelikonsolit, tietokoneet ja mobiililaitteet tulevat yhä tehokkaammaksi, videopelit itse tulevat yhä monimutkaisemmaksi. 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 luomiseen, pelien testaamiseen ja jopa hahmojen liikkeen animointiin.

Videopelien hahmoanimaatiot suoritetaan usein liikkeenkaappaussysteemin avulla, joka seuraa näyttelijöiden liikkeitä, jotta animaatiot olisivat elävän näköisiä. Tämä lähestymistapa kuitenkin rajoittuu. Koodi, joka ohjaa animaatioita, on edelleen kirjoitettava, ja animaattorit ovat rajoittuneita vain niiden toimien suorittamiseen, jotka on kaapattu.

Wiredin mukaan EA:n tutkijat lähtivät automatisoimaan tämän prosessin ja säästämään sekä aikaa että rahaa näillä animaatioilla. Tutkijaryhmä osoitti, että vahvistusoppimismalli voidaan käyttää luomaan ihmismalli, joka liikkuu realistisella tavalla, ilman että liikkeiden manuaalista tallennusta ja koodaamista tarvitaan. Tutkimusryhmä käytti “Motion Variational Autoencoders” (Motion VAE) -menetelmää tunnistamaan merkityksellisiä liikemalleja liikkeenkaappausdatasta. Autoencoderit olivat purkaneet liikemallit, ja vahvistusoppimisjärjestelmä oli koulutettu datalla, jonka tavoitteena oli luoda realistisia animaatioita tiettyjen tavoitteiden (kuten juokseminen pallon perässä jalkapallopelissä) perusteella. Tutkimusryhmän suunnittelu- ja ohjausalgoritmit pystyivät generoimaan halutut liikkeet, jopa sellaisia, joita alkuperäisessä liikkeenkaappausdatasta ei ollut. Tämä tarkoittaa, että oppimalla, miten aihe liikkuu, vahvistusoppimismalli voi määritellä, miltä juokseminen näyttää.

Julian Togelius, NYU:n professori ja AI-työkaluyritys Modl.ai:n perustaja, kerrottiin Wired-lehdessä 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 Wired-lehdelle.

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

Muita tekoälyn sovelluksia videopelien kehittämisessä ovat peruspelien generointi. Esimerkiksi Toronton yliopiston tutkijat onnistuivat suunnittelemassa generatiivista vastakkainoppijärjestelmää, joka pystyi luomaan Pac-Man-pelin ilman pääsyä mihinkään pelin kehitykseen käytettyyn koodiin. Muualla Albertan yliopiston tutkijat käyttivät tekoälymallia videopelien tason generoimiseen eri pelien sääntöjen perusteella, kuten Super Mario Bros. ja Mega Man.