Model AI może pozwolić twórcom gier generować realistyczne animacje

Zespół badaczy z Electronic Arts (EA ) niedawno eksperymentował z różnymi algorytmami sztucznej inteligencji, w tym modelami uczenia wzmocnionego, w celu zautomatyzowania niektórych aspektów tworzenia gier wideo. Badacze mają nadzieję, że modele AI mogą zaoszczędzić czas ich deweloperom i animatorom, którzy wykonują powtarzalne zadania, takie jak kodowanie ruchu postaci.

Projektowanie gry wideo, szczególnie dużej, trzeciej gry wideo zaprojektowanej przez duże firmy gier, wymaga tysięcy godzin pracy. W miarę jak konsole do gier, komputery i urządzenia mobilne stają się coraz potężniejsze, same gry wideo stają się coraz bardziej złożone. Deweloperzy gier szukają sposobów na produkcję większej ilości treści gry z mniejszym nakładem pracy, na przykład często wybierają algorytmy generacji proceduralnej do tworzenia krajobrazów i środowisk. Podobnie, algorytmy sztucznej inteligencji mogą być wykorzystywane do generowania poziomów gier wideo, automatyzowania testowania gier i nawet animowania ruchów postaci.

Animacje postaci w grach wideo są często wykonywane z pomocą systemów capture ruchu, które śledzą ruchy prawdziwych aktorów, aby zapewnić bardziej realistyczne animacje. Jednakże, ten podejście ma ograniczenia. Nie tylko kod, który napędza animacje, nadal musi być napisany, ale animatorzy są również ograniczeni tylko do akcji, które zostały przechwycone.

Jak donosi Wired, badacze z EA postanowili zautomatyzować ten proces i zaoszczędzić czas i pieniądze na te animacje. Zespół badaczy udowodnił, że algorytm uczenia wzmocnionego może być wykorzystany do stworzenia modelu człowieka, który porusza się w realistyczny sposób, bez konieczności ręcznego nagrywania i kodowania ruchów. Zespół badawczy wykorzystał „Motion Variational Autoencoders” (Motion VAE), aby zidentyfikować istotne wzorce ruchu z danych capture ruchu. Po wyodrębnieniu wzorców ruchu, system uczenia wzmocnionego został przeszkolony z danymi, z celem stworzenia realistycznych animacji na podstawie określonych celów (takich jak bieganie za piłką w grze piłkarskiej). Algorytmy planowania i kontroli wykorzystane przez zespół badawczy były w stanie wygenerować pożądane ruchy, nawet produkując ruchy, które nie były w oryginalnym zestawie danych capture ruchu. Oznacza to, że po nauczeniu się, jak podmiot chodzi, model uczenia wzmocnionego może określić, jak wygląda bieganie.

Julian Togelius, profesor NYU i współzałożyciel firmy Modl.ai, został cytowany przez Wired, mówiąc, że ta technologia może być bardzo przydatna w przyszłości i prawdopodobnie zmieni sposób tworzenia treści dla gier.

„Animacja proceduralna będzie ogromną rzeczą. Podstawowo zautomatyzuje wiele pracy, która idzie w budowaniu treści gry”, Togelius powiedział do Wired.

Zgodnie z profesorem Michielem van de Panne z UBC, który był zaangażowany w projekt uczenia wzmocnionego, zespół badawczy chce kontynuować ten pomysł, animując awatary nie-ludzkie tym samym procesem. Van de Panne powiedział do Wired, że chociaż proces tworzenia nowych animacji może być dość trudny, jest pewien, że technologia będzie w stanie wyrenderować atrakcyjne animacje w przyszłości.

Inne zastosowania AI w rozwoju gier wideo obejmują generowanie podstawowych gier. Na przykład, badacze z Uniwersytetu w Toronto byli w stanie zaprojektować sieć generatywną, która mogła odtworzyć grę Pac-Man bez dostępu do żadnego kodu użytego do zaprojektowania gry. W innej miejscu, badacze z Uniwersytetu Alberty użyli modeli AI do generowania poziomów gier wideo na podstawie zasad różnych gier, takich jak Super Mario Bros. i Mega Man.