让角色的动作更逼真！人工智能可以极大提升游戏体验
发布时间：2021-12-21 15:53:26 所属栏目：大数据 来源：互联网
导读：现在的游戏可以说已经技术很不错了，大作频出，场景和人物的真实性都非常高当然，价格也很贵，体积也很大人们不禁想，游戏的真实性方面还有继续提高的空间吗？还真有。KYLE ORLAND 日前在 arstechnica 发文，探讨了 AI 能为游戏带来的革命性变化。 当我们谈
|
现在的游戏可以说已经技术很不错了，大作频出，场景和人物的真实性都非常高——当然，价格也很贵，体积也很大……人们不禁想，游戏的真实性方面还有继续提高的空间吗？还真有。KYLE ORLAND 日前在 arstechnica 发文，探讨了 AI 能为游戏带来的革命性变化。 当我们谈到游戏AI时，一般会想到更聪明、更真实的敌人，而不是愚蠢的机器人。事实上，新研究告诉我们，用神经网络搭建的AI可以通过复杂的实时游戏环境为玩家角色动画的真实性带来革命。 研究人员开发出面向“Character Control”（角色控制器）的“Phase-Functioned Neural Network”（简称PFNN），它是一种全新的角色动画处理技术，在今年夏天ACM举办的SIGGRAPH 会议上，研究人员将会展示新技术。在大多的游戏中，角色动画是通过“canned”方式制作的，也就是预先捕捉动作。这样一来，当玩家单人通关时，每一位玩家看到的动作周期是一样的，它们会重复几千次。爱丁堡大学的研究人员Daniel Holden说：“我们的系统用完全不同的方式工作。” “首先，我们会用动画数据制作庞大的数据库。”Daniel Holden解释称，“然后我们用机器学习技术制作一个系统，它可以直接将用户的输入映射到动画角色上。这样一来，我们就没有必要存储所有数据，从中选择相应的片断，我们有了一套系统，它可以快速生成动画，根据用户的输入信息生成。” 最近，Daniel Holden的公司将成果发表在The Orange Duck上，当中有一段视频，我们可以看清新技术的价值。视频显示：一个三只角的化身在极端复杂的地形中移动，动作相当自由、相当自然。 最让人难忘的一幕出现在2分27秒，按照解说员的解释，当化身穿过岩石地形时，他会攀爬、保持平衡、跳起来。仔细观看就会发现，根据移动方向和环境的不同，在化身微微摆动膝盖和腿之前，为了获得前进的动力它会摇摆手臂，还会将手放低，保持平衡。当角色快要靠近墙壁时，它会自然而然放慢速度，而不是全速冲刺，无法停止。 与普通的录制式捕捉动作相比，这种根据环境需要做出的细微调整让动画更加出色。当化身跳过之后，它会摆出一只手，保持身体平衡，当它想立起一块长长的石头时，左脚会加大力度。看了一分钟，你就会发现这些栩栩如生的细节让动画显得更加逼真。 学习如何移动 在演示过程中，Holden和爱丁堡大学、Method Studios的同事捕捉了1.5GB的动作数据，时长2小时。之后，神经网络用数据训练了大约30小时。从本质上讲，神经网络需要学习，将特定的动作捕捉动画进行混合，形成全新的组合，然后广泛应用于游戏情境。 Holden解释说：“姿势是由不同的部分组成的，神经网络的权重代表不同的部分，输入最终生成类似组成部分加权求和一样的东西。” 正因如此，与直接记录相比，现在动画输出的结果可能性多得多。例如，从平台上走下来，如果使用传统动画系统，只需要加载一个标准的“从平台走下”动画文件就行了。神经网络不同，它会进行更具体的情况推断，系统在最初的动作捕捉中找到相似的情镜，形成数据，然后将数据结合在一起，推断身体各部分的具体移动方式。 Holden解释说，虽然最初训练数据达到1.5GB，但最终以神经网络的形式存储时只有几十MB。他说：“从本质上讲，动画数据被压缩了，变成了神经网络权重。如果数据库中的每一个动作都可以由少数几个组件的加权求和组成，神经网络就可以从中学习，以更好的方式压缩数据。” 优点与缺点 尽管其它动画技术也可以将不同的动作捕捉场景与动画结合在一起，形成新情境，但是这些方法需要在本地存储庞大的数据库，可能会让系统的速度变慢。在最近的一些研究中，神经网络动画模型在运行时很艰难，不自然，因为它没有增加周期性“Phase（相位）”，相位可以引导神经网络将整合过程变得更精准。 Holden说，用神经网络调整动作捕捉动画还有一些意料之外的好处。例如，研究人员没有提供任何动作捕捉数据，让角色在不平坦的地形中行走时蹲伏。但是系统自己学会了如何处理这种情况，它从平坦地形行走时的蹲伏情镜中学习，在崎岖地形行走奔跑时使用。 Holden介绍说，虽然“在不平坦地形中蹲伏”的动画并没有其它结果那样好，但是在大多的环境中都是可以接受的。虽然在某些地方系统学到的东西比预期要多，但是神经网络仍然受到了限制。如果地形太陡峭动画就会被破坏，当然，造成这样的局面有一个前提：给它数据，你基本上不能保证这些数据管用。 虽然将AI应用于动画有很多优点，但是Holden也承认它存在一些缺陷。捕捉动作之后要训练30小时有点麻烦，如果事后还想录制一些东西就会更麻烦。艺术家不能直接对神经网络的结果进行修改，如果是传统的录制动画就可以。虽然神经网络的实时决策速度很快（1ms），但是处理时间比播放预制动画还是长很多，Holden希望未来能提高速度。 Holden已经与Ubisoft合作研发，未来哪款游戏中会使用新方法呢？他不愿置评。我们希望这种方法（或者类似的方法）能尽快出现在游戏中。他的研究还让我们感到好奇：在不久的将来，游戏开发还有哪些领域会因为神经网络而变革。  （编辑：PHP编程网 - 黄冈站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
浙公网安备 33038102330482号