Моделот со вештачка интелигенција може да им дозволи на развивачите на игри да генерираат реални анимации

Тим истражувачи во Electronic Arts неодамна експериментираа со различни алгоритми за вештачка интелигенција, вклучително и модели за учење за зајакнување, за да ги автоматизираат аспектите на создавање видео игри. Истражувачите се надеваат дека моделите со вештачка интелигенција можат да заштедат време на нивните развивачи и аниматори при извршување на повторувачки задачи како што е кодирање на движењето на знаците.

Дизајнирањето видео игра, особено големите видео игри со тројно А дизајнирани од големи компании за игри, бара илјадници часови работа. Како што конзолите за видео игри, компјутерите и мобилните уреди стануваат помоќни, самите видео игри стануваат сè покомплексни. Програмерите на игри бараат начини да произведат повеќе содржини за игри со помалку напор, на пример, тие често избираат да користат процедурално генерирање алгоритми за да произведат пејзажи и средини. Слично на тоа, алгоритмите за вештачка интелигенција може да се користат за генерирање нивоа на видео игри, автоматизирање на тестирање на игри, па дури и за анимирање на движењата на ликови.

Анимациите со карактери за видео игрите често се комплетираат со помош на системи за снимање на движење, кои ги следат движењата на вистинските актери за да обезбедат повеќе реални анимации. Сепак, овој пристап има ограничувања. Не само што треба да се напише кодот што ги вози анимациите, туку и аниматорите се ограничени само на дејствата што се снимени.

Како што објави Wired, Истражувачите од EA тргнаа да го автоматизираат овој процес и да заштедат време и пари на овие анимации. Тимот на истражувачи покажа дека алгоритам за зајакнување на учење може да се користи за да се создаде човечки модел кој се движи на реални начини, без потреба од рачно снимање и кодирање на движењата. Истражувачкиот тим користеше „Автокодери за варијација на движење“ (Motion VAEs) за да ги идентификува релевантните обрасци на движење од податоците за снимање на движење. Откако автоенкодерите ги извлекоа шемите на движење, беше трениран систем за учење за засилување со податоците, со цел да се создадат реални анимации врз основа на одредени цели (како што е трчање по топка во фудбалски натпревар). Алгоритмите за планирање и контрола што ги користеше истражувачкиот тим беа во можност да ги генерираат саканите движења, дури и да создадат движења што не беа во оригиналниот сет на податоци за снимање на движење. Ова значи дека откако ќе научите како оди предметот, моделот за засилено учење може да определи како изгледа трчањето.

Џулијан Тогелиус, професор на NYU и ко-основач на компанијата за алатки за вештачка интелигенција, Modl.ai, беше цитиран од Wired како вели дека технологијата може да биде доста корисна во иднина и веројатно ќе го промени начинот на креирање на содржината за игри.

„Процедурната анимација ќе биде огромна работа. Тоа во основа автоматизира многу од работата што оди во градењето на содржината на играта“, Тогелиус рече на Wired.

Според професорот Michiel van de Panne од UBC, кој бил вклучен во проектот за зајакнување на учењето, истражувачкиот тим се обидува да го придвижи концептот понатаму со анимирање на нечовечки аватари со истиот процес. Ван де Пан изјави за Wired дека иако процесот на создавање нови анимации може да биде доста тежок, тој е убеден дека технологијата ќе може да прикаже привлечни анимации еден ден.

Други апликации на вештачката интелигенција во развојот на видео игри вклучуваат генерирање на основни игри. На пример, истражувачите од Универзитетот во Торонто успеаја да дизајнирајте генеративна противничка мрежа кои би можеле да ја рекреираат играта Pac-Man без пристап до кој било од кодот што се користи за дизајнирање на играта. На друго место, истражувачите од Универзитетот во Алберта користеа модели на вештачка интелигенција генерира нивоа на видео игри врз основа на правилата на различни игри како Супер Марио Брос Мега Човекот.