AI-modell kan la oss generere livlige animasjoner for spillutviklere

Et team av forskere ved Electronic Arts (EA ) har nylig eksperimentert med ulike kunstig intelligens-algoritmer, inkludert forsterkingslæringmodeller, for å automatisere aspekter av videospillutvikling. Forskerne håper at AI-modellene kan spare utviklerne og animatørene tid på repetitive oppgaver som å kode karakterbevegelser.

Å designe et videospill, spesielt de store, triple-A-videospillene designet av store spillstudioer, krever tusenvis av timer med arbeid. Ettersom videospillkonsoller, datamaskiner og mobilenheter blir mer og mer kraftfulle, blir videospillene selv mer og mer komplekse. Spillutviklere søker etter måter å produsere mer spillinnhold med mindre innsats, for eksempel ved å bruke prosedyrisk genereringsalgoritmer til å produsere landskap og miljøer. Liksom kunstig intelligens-algoritmer kan brukes til å generere videospillnivåer, automatisere spilltesting og sogar animere karakterbevegelser.

Karakteranimasjoner for videospill fullføres ofte med hjelp av bevegelsesfangstsystemer, som sporer bevegelsene til virkelige skuespillere for å sikre mer livlige animasjoner. Men denne tilnærmingen har begrensninger. Ikke bare må koden som driver animasjonene fortsatt skrives, men animatørene er også begrenset til bare de handlingene som har blitt fanget.

Som Wired rapporterte, forskere fra EA satte ut til å automatisere denne prosessen og spare både tid og penger på disse animasjonene. Teamet av forskere demonstrerte at en forsterkingslæring-algoritme kunne brukes til å lage et menneske-modell som beveger seg på realistiske måter, uten å måtte manuelt registrere og kode bevegelsene. Forsknings-teamet brukte “Motion Variational Autoencoders” (Motion VAEs) til å identifisere relevante bevegelsesmønster fra bevegelsesfangst-data. Etter at autoencoderne hadde trukket ut bevegelsesmønstrene, ble en forsterkingslæringssystem trent med dataene, med målet om å lage realistiske animasjoner basert på bestemte mål (som å løpe etter en ball i et fotballspill). Planleggings- og kontroll-algoritmene som forskningsteamet brukte, kunne generere de ønskede bevegelsene, og produserte sogar bevegelser som ikke var i den opprinnelige mengden med bevegelsesfangst-data. Dette betyr at etter å ha lært hvordan et subjekt går, kan forsterkingslæring-modellen bestemme hva løping ser ut som.

Julian Togelius, professor ved NYU og medstifter av AI-verktøyselskapet Modl.ai, ble sitert av Wired som sier at teknologien kan være svært nyttig i fremtiden og sannsynligvis vil endre hvordan innhold for spill blir laget.

“Prosedyr-animasjon vil bli en stor ting. Det automatiserer mye av arbeidet som går med å bygge spillinnhold,” sa Togelius til Wired.

Ifølge professor Michiel van de Panne fra UBC, som var involvert i forsterkingslæring-prosjektet, ser forskningsteamet på å ta konseptet videre ved å animere ikke-menneskelige avatarer med samme prosess. Van de Panne sa til Wired at selv om prosessen med å lage nye animasjoner kan være ganske vanskelig, er han sikker på at teknologien vil være i stand til å rendre tiltalende animasjoner en dag.

Andre anvendelser av AI i utviklingen av videospill inkluderer generering av grunnleggende spill. For eksempel klarte forskere ved University of Toronto å designe en generativ adversarial nettverk som kunne rekonstruere spillet Pac-Man uten å ha tilgang til noen av koden som ble brukt til å designe spillet. Et annet sted brukte forskere fra University of Alberta AI-modeller til å generere nivåer av videospill basert på reglene for forskjellige spill som Super Mario Bros. og Mega Man.