AI-modell kan la spillutviklere generere naturtro animasjoner

Et team av forskere ved Electronic Arts har nylig eksperimentert med forskjellige kunstig intelligens-algoritmer, inkludert forsterkende læringsmodeller, for å automatisere aspekter ved å lage videospill. Forskerne håper at AI-modellene kan spare utviklerne og animatørene for tid på å utføre repeterende oppgaver som å kode karakterbevegelser.

Å designe et videospill, spesielt de store trippel-A-videospillene designet av store spillselskaper, krever tusenvis av timer med arbeid. Etter hvert som videospillkonsoller, datamaskiner og mobile enheter blir kraftigere, blir videospill i seg selv mer og mer komplekse. Spillutviklere søker etter måter å produsere mer spillinnhold med mindre innsats, for eksempel velger de ofte å bruke prosedyregenereringsalgoritmer for å produsere landskap og miljøer. På samme måte kan kunstig intelligens-algoritmer brukes til å generere videospillnivåer, automatisere spilltesting og til og med animere karakterbevegelser.

Karakteranimasjoner for videospill fullføres ofte ved hjelp av bevegelsesfangstsystemer, som sporer bevegelsene til ekte skuespillere for å sikre mer naturtro animasjoner. Denne tilnærmingen har imidlertid begrensninger. Ikke bare må koden som driver animasjonene fortsatt skrives, men animatører er også begrenset til handlingene som har blitt fanget.

Som Wired rapporterte, forskere fra EA satte seg fore å automatisere denne prosessen og spare både tid og penger på disse animasjonene. Forskerteamet demonstrerte at en forsterkende læringsalgoritme kunne brukes til å lage en menneskelig modell som beveger seg på realistiske måter, uten å måtte registrere og kode bevegelsene manuelt. Forskerteamet brukte "Motion Variational Autoencoders" (Motion VAEs) for å identifisere relevante bevegelsesmønstre fra bevegelsesfangstdata. Etter at autoenkoderne hentet ut bevegelsesmønstrene, ble et forsterkende læringssystem trent med dataene, med mål om å lage realistiske animasjoner basert på bestemte mål (som å løpe etter en ball i en fotballkamp). Planleggings- og kontrollalgoritmene som ble brukt av forskerteamet var i stand til å generere de ønskede bevegelsene, til og med produsere bevegelser som ikke var i det opprinnelige settet med bevegelsesfangstdata. Dette betyr at etter å ha lært hvordan et emne går, kan forsterkningslæringsmodellen bestemme hvordan løping ser ut.

Julian Togelius, professor i NYU og medstifter av AI-verktøyselskapet Modl.ai, ble sitert av Wired for å si at teknologien kan være ganske nyttig i fremtiden og sannsynligvis vil endre hvordan innhold for spill lages.

"Prosedyreanimasjon vil være en stor ting. Det automatiserer i utgangspunktet mye av arbeidet som går med å bygge spillinnhold,» Togelius sa til Wired.

I følge professor Michiel van de Panne fra UBC, som var involvert i forsterkningslæringsprosjektet, er forskerteamet ute etter 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 gjengi 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 utforme et generativt motstandernettverk som kan gjenskape spillet Pac-Man uten tilgang til noen av kodene som ble brukt til å designe spillet. Andre steder brukte forskere fra University of Alberta AI-modeller for å generere nivåer av videospill basert på reglene for forskjellige spill som Super Mario Bros og Mega Man.