AI-modell kan låta speltillverkare generera livliknande animationer

Ett team av forskare på Electronic Arts (EA ) har nyligen experimenterat med olika artificiella intelligensalgoritmer, inklusive förstärkningsinlärningsmodeller, för att automatisera aspekter av videospelsutveckling. Forskarna hoppas att AI-modellerna kan spara tid för utvecklare och animatörer som utför upprepade uppgifter som att koda karaktärers rörelser.

Att utforma ett videospel, särskilt de stora, triple-A-videospelen som designas av stora spelföretag, kräver tusentals arbetstimmar. När videospelkonsoler, datorer och mobila enheter blir mer kraftfulla blir videospelen själva alltmer komplexa. Speltillverkare letar efter sätt att producera mer spelinnehåll med mindre ansträngning, till exempel genom att använda procedurgenereringsalgoritmer för att producera landskap och miljöer. På samma sätt kan artificiella intelligensalgoritmer användas för att generera videospelsnivåer, automatisera speltester och till och med animerar karaktärers rörelser.

Karaktärsanimationer för videospel slutförs ofta med hjälp av rörelseinspelningsystem, som spårar rörelserna hos riktiga skådespelare för att säkerställa mer livliknande animationer. Men denna metod har begränsningar. Inte bara behöver koden som driver animationerna fortfarande skrivas, utan animatörerna är också begränsade till de åtgärder som har spelats in.

Som Wired rapporterade satte sig forskare från EA ut för att automatisera denna process och spara både tid och pengar på dessa animationer. Forskarteamet demonstrerade att en förstärkningsinlärningsalgoritm kunde användas för att skapa en mänsklig modell som rör sig på realistiska sätt, utan att manuellt behöva spela in och koda rörelserna. Forskningsgruppen använde “Motion Variational Autoencoders” (Motion VAE) för att identifiera relevanta rörelsemönster från rörelseinspelningsdata. Efter att autoencodererna extraherat rörelsemönstren tränades ett förstärkningsinlärningssystem med data, med målet att skapa realistiska animationer baserat på vissa mål (t.ex. att springa efter en boll i en fotbollsmatch). Planerings- och kontrollalgoritmerna som forskarteamet använde kunde generera önskade rörelser, även producera rörelser som inte fanns i den ursprungliga uppsättningen av rörelseinspelningsdata. Detta betyder att efter att ha lärt sig hur en person går kan förstärkningsinlärningsmodellen bestämma hur löpning ser ut.

Julian Togelius, professor vid NYU och medgrundare till AI-verktygsföretaget Modl.ai, citerades av Wired som sagt att tekniken kan vara mycket användbar i framtiden och sannolikt kommer att förändra hur innehåll för spel skapas.

“Procedural animation kommer att bli en stor sak. Det automatiserar i princip mycket av arbetet som går in i att bygga spelinnehåll”, sa Togelius till Wired.

Enligt professor Michiel van de Panne från UBC, som var involverad i förstärkningsinlärningsprojektet, vill forskarteamet ta konceptet vidare genom att animerar icke-mänskliga avatarer med samma process. Van de Panne sa till Wired att även om processen att skapa nya animationer kan vara ganska svår är han säker på att tekniken kommer att kunna rendera tilltalande animationer en dag.

Andra tillämpningar av AI i utvecklingen av videospel inkluderar generering av grundläggande spel. Till exempel lyckades forskare vid University of Toronto skapa ett generativt adversariellt nätverk som kunde återskapa spelet Pac-Man utan tillgång till någon av koden som användes för att utforma spelet. På andra håll använde forskare från University of Alberta AI-modeller för att generera nivåer av videospel baserat på reglerna för olika spel som Super Mario Bros. och Mega Man.