์ธ๊ณต์ง๋ฅ
AI ๋ชจ๋ธ์ ๊ฒ์ ๊ฐ๋ฐ์๊ฐ ํ์ค์ ์ธ ์ ๋๋ฉ์ด์ ์ ์์ฑํ ์ ์๋๋ก ํ ์ ์๋ค
Electronic Arts의 연구팀은 최근 강화 학습 모델을 포함한 다양한 인공 지능 알고리즘을 사용하여 비디오 게임 생성의 일부를 자동화하는 실험을 수행했습니다. 연구자들은 AI 모델이 개발자와 애니메이터가 반복적인 작업을 수행하는 시간을 절약할 수 있을 것으로 기대합니다. 예를 들어, 캐릭터의 움직임을 코딩하는 작업과 같은 반복적인 작업에서 시간을 절약할 수 있습니다.
대형 비디오 게임, 특히 대형 게임 회사에서 설계한 대형, 트리플 A 비디오 게임을 설계하려면 수천 시간의 작업이 필요합니다. 비디오 게임 콘솔, 컴퓨터, 모바일 장치가 더 강력해짐에 따라 비디오 게임 자체도 점점 더 복잡해지고 있습니다. 게임 개발자는 더 적은 노력으로 더 많은 게임 콘텐츠를 생성하는 방법을 찾고 있습니다. 예를 들어, 게임 개발자는 종종 랜드스케이프와 환경을 생성하기 위해 절차적 생성 알고리즘을 사용합니다. 마찬가지로, 인공 지능 알고리즘을 사용하여 비디오 게임 레벨을 생성하고, 게임 테스트를 자동화하고, 심지어 캐릭터의 움직임을 애니메이션화할 수 있습니다.
비디오 게임의 캐릭터 애니메이션은 종종 모션 캡처 시스템의 도움으로 완성되며, 이는 실제 배우의 움직임을 추적하여 더 생생한 애니메이션을 보장합니다. 그러나 이 접근법에는 한계가 있습니다. 애니메이션을 구동하는 코드를 작성해야 하는 것은 물론, 애니메이터는 캡처된 동작만으로 제한됩니다.
Wired에 따르면, EA의 연구자들은 이 프로세스를 자동화하고 애니메이션에 대한 시간과 돈을 절약하려고 했습니다. 연구팀은 강화 학습 알고리즘이 실제와 같은 방식으로 움직이는 인간 모델을 생성할 수 있음을 보여주었습니다. 이는 수동으로 기록하고 코드를 작성할 필요 없이 움직임을 생성할 수 있습니다. 연구팀은 “모션 변분 오토인코더”(Motion VAEs)를 사용하여 모션 캡처 데이터에서 관련된 움직임 패턴을 식별했습니다. 오토인코더가 움직임 패턴을 추출한 후, 강화 학습 시스템은 특정 목표(예: 축구 게임에서 공을 따라 달리는 것)를 기반으로 현실적인 애니메이션을 생성하도록 훈련되었습니다. 연구팀이 사용한 계획 및 제어 알고리즘은 원하는 동작을 생성할 수 있었으며,甚至 원래 모션 캡처 데이터에 없는 동작도 생성할 수 있었습니다. 이는 연구팀이 주제가 걷는 법을 학습한 후, 강화 학습 모델이 달리는 법을 결정할 수 있음을 의미합니다.
NYU 교수이자 AI 도구 회사 Modl.ai의 공동 창립자인 줄리안 토겔리우스(Julian Togelius)는 Wired에 인용된 바와 같이, 이 기술은 미래에 매우 유용할 수 있으며 게임 콘텐츠가 생성되는 방식을 변경할 가능성이 있다고 말했습니다.
“절차적 애니메이션은 매우 큰 것입니다. 이는 게임 콘텐츠를 구축하는 데 필요한 많은 작업을 자동화하기 때문입니다.” 토겔리우스는 Wired에 말했다.
UBC의 미헬 판 데 판네(Michiel van de Panne) 교수는 강화 학습 프로젝트에 참여했으며, 연구팀은 동일한 프로세스를 사용하여 비인간 아바타를 애니메이션화하는 것을 목표로 하고 있다고 말했습니다. 판 데 판네는 새로운 애니메이션을 생성하는 과정은 매우 어려울 수 있지만, 기술이 언젠가 매력적인 애니메이션을 렌더링할 수 있을 것으로 확신한다고 Wired에 말했습니다.
비디오 게임 개발에서 AI의 다른 응용 분야에는 기본 게임을 생성하는 것이 포함됩니다. 예를 들어, 토론토 대학교의 연구자들은 생성적 적대적 네트워크를 설계하여 게임 코드에 접근하지 않고도 Pac-Man 게임을 재생성할 수 있었습니다. 다른 곳에서는 앨버타 대학교의 연구자들이 AI 모델을 사용하여 슈퍼 마리오 브라더스와 메가 맨などの 게임 규칙을 기반으로 비디오 게임 레벨을 생성했습니다.
