AI-modell kan la game-utviklere generere livlige animasjoner

Et team av forskere hos Electronic Arts 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, særlig de store, triple-A-videospillene designet av store spill-selskaper, krever tusenvis av timer med arbeid. Ettersom videospillkonsoller, datamaskiner og mobile enheter blir 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. Liknende 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 ekte 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 er 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 skape en 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 auto-encoderne hadde trukket ut bevegelsesmønstrene, ble en forsterkingslæringssystem trent med dataene, med målet om å skape 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 samlingen av bevegelsesfangst-data. Dette betyr at etter å ha lært hvordan en person går, kan forsterkingslæring-modellen bestemme hva løping ser ut som.

Julian Togelius, NYU-professor og AI-verktøy-selskap Modl.ai-grunnlegger, ble sitert av Wired som sa at teknologien kunne være ganske nyttig i fremtiden og sannsynligvis vil endre hvordan innhold for spill blir skapt.

“Prosedyr-animasjon vil bli en stor ting. Det automatiserer mye av arbeidet som går med å bygge spill-innhold,” 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 skape nye animasjoner kan være ganske vanskelig, er han sikker på at teknologien vil kunne rendre attraktive 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.