Модель ИИ может позволить разработчикам игр генерировать реалистичные анимации

Команда исследователей в Electronic Arts недавно экспериментировала с различными алгоритмами искусственного интеллекта, включая модели обучения с подкреплением, для автоматизации аспектов создания видеоигр. Исследователи надеются, что модели ИИ смогут сэкономить время разработчиков и аниматоров, выполняя повторяющиеся задачи, такие как кодирование движения персонажей.

Разработка видеоигры, особенно крупных, тройных-A видеоигр, разработанных большими игровыми компаниями, требует тысяч часов работы. По мере того, как видеоигровые консоли, компьютеры и мобильные устройства становятся более мощными, сами видеоигры становятся все более и более сложными. Разработчики игр ищут способы производить больше игрового контента с меньшими усилиями, например, они часто выбирают использовать алгоритмы процедурной генерации для создания ландшафтов и окружающей среды. Аналогично, алгоритмы искусственного интеллекта можно использовать для генерации уровней видеоигр, автоматизации тестирования игр и даже анимации движений персонажей.

Анимация персонажей для видеоигр часто выполняется с помощью систем захвата движения, которые отслеживают движения реальных актеров, чтобы обеспечить более реалистичную анимацию. Однако этот подход имеет ограничения. Не только код, который управляет анимацией, все еще нужно написать, но и аниматоры ограничены только теми действиями, которые были захвачены.

Как сообщает Wired, исследователи из EA поставили цель автоматизировать этот процесс и сэкономить время и деньги на этих анимациях. Команда исследователей продемонстрировала, что алгоритм обучения с подкреплением можно использовать для создания модели человека, который движется в реалистичной манере, без необходимости ручного записывания и кодирования движений. Исследовательская команда использовала “Motion Variational Autoencoders” (Motion VAEs) для выявления значимых закономерностей движения из данных захвата движения. После того, как автоэнкодеры извлекли закономерности движения, система обучения с подкреплением была обучена на этих данных с целью создания реалистичных анимаций на основе определенных целей (например, бега за мячом в игре в футбол). Алгоритмы планирования и управления, используемые исследовательской командой, смогли сгенерировать желаемые движения, даже производя движения, которые не были в исходном наборе данных захвата движения. Это означает, что после обучения тому, как человек ходит, модель обучения с подкреплением может определить, как выглядит бег.

Джулиан Тогелиус, профессор Нью-Йоркского университета и сооснователь компании Modl.ai, цитируемый Wired, сказал, что эта технология может быть очень полезной в будущем и, вероятно, изменит способ создания контента для игр.

“Процедурная анимация будет огромной вещью. Она по сути автоматизирует много работы, которая вкладывается в создание игрового контента”, – сказал Тогелиус Wired.

По словам профессора Михиеля ван де Панне из Университета Британской Колумбии, участвовавшего в проекте обучения с подкреплением, исследовательская команда планирует развить эту концепцию дальше, анимируя нечеловеческие аватары с помощью того же процесса. Ван де Панне сказал Wired, что хотя процесс создания новых анимаций может быть довольно трудным, он уверен, что технология сможет отрендерить привлекательные анимации когда-нибудь.

Другие применения ИИ в разработке видеоигр включают генерацию базовых игр. Например, исследователи из Университета Торонто смогли спроектировать генеративную сеть, которая могла воссоздать игру Pac-Man без доступа к любому коду, использованному для проектирования игры. В другом месте исследователи из Университета Альберты использовали модели ИИ для генерации уровней видеоигр на основе правил различных игр, таких как Super Mario Bros. и Mega Man.