Модель штучного інтелекту може дозволити розробникам ігор створювати реалістичні анімації

Команда дослідників з Electronic Arts (EA ) недавно експериментувала з різними алгоритмами штучного інтелекту, включаючи моделі навчання з підкріпленням, щоб автоматизувати аспекти створення відеоігор. Дослідники сподіваються, що моделі штучного інтелекту зможуть зберегти час розробників і аніматорів, виконуючи повторювані завдання, такі як кодування руху персонажів.

Розробка відеогри, особливо великих, тріпл-А відеоігор, розроблених великими компаніями, вимагає тисяч годин роботи. По мірі того, як відеоігрові консолі, комп’ютери та мобільні пристрої стають потужнішими, самі відеоігри стають все більш складними. Розробники ігор шукають способи виробляти більше ігрового контенту з меншими зусиллями, наприклад, вони часто використовують алгоритми процедурної генерації для створення ландшафтів і середовищ. Аналогічно, алгоритми штучного інтелекту можна використовувати для генерації рівнів відеоігор, автоматизації тестування ігор та навіть анімації руху персонажів.

Анімації персонажів у відеоіграх часто завершуються за допомогою системи захоплення руху, яка відстежує рухи справжніх акторів, щоб забезпечити більш реалістичні анімації. Однак цей підхід має обмеження. Не тільки код, який керує анімаціями, все ще потрібно писати, але аніматори також обмежені тільки діями, які були захоплені.

Як повідомляє Wired, дослідники з EA вирішили автоматизувати цей процес і зберегти час і гроші на цих анімаціях. Команда дослідників продемонструвала, що алгоритм навчання з підкріпленням можна використовувати для створення моделі людини, яка рухається реалістично, без необхідності ручного запису і кодування рухів. Дослідницька команда використала “Motion Variational Autoencoders” (Motion VAEs), щоб ідентифікувати відповідні шаблони руху з даних захоплення руху. Після того, як автоенкодери витягнули шаблони руху, система навчання з підкріпленням була навчена на цих даних з метою створення реалістичних анімацій на основі певних об’єктів (наприклад, біг за м’ячем у футбольній грі). Алгоритми планування та контролю, використані дослідницькою командою, змогли згенерувати бажані рухи, навіть створюючи рухи, яких не було в початковому наборі даних захоплення руху. Це означає, що після вивчення того, як суб’єкт ходить, модель навчання з підкріпленням може визначити, як виглядає біг.

Джулιαν Тогеліус, професор Нью-Йоркського університету і співзасновник компанії Modl.ai, як повідомляє Wired, сказав, що ця технологія може бути досить корисною в майбутньому і, ймовірно, змінить спосіб створення контенту для ігор.

“Процедурна анімація буде величезною реччю. Вона фактично автоматизує багато роботи, яка йде на створення ігрового контенту”, – сказав Тогеліус Wired.

За словами професора Міхіеля ван де Панне з Університету Британської Колумбії, який був залучений до проекту навчання з підкріпленням, дослідницька команда планує продовжити цю концепцію, анімуючи нелюдські аватари тим же процесом. Ван де Панне сказав Wired, що хоча процес створення нових анімацій може бути досить складним, він впевнений, що технологія зможе створити привабливі анімації колись.

Інші застосування штучного інтелекту у розробці відеоігор включають генерацію базових ігор. Наприклад, дослідники з Університету Торонто змогли спроєктувати генеративну суперницьку мережу, яка могла реконструювати гру Pac-Man без доступу до жодного коду, використаного для розробки гри. В іншому місці дослідники з Університету Альберти використовували моделі штучного інтелекту для генерації рівнів відеоігор на основі правил різних ігор, таких як Super Mario Bros. і Mega Man.