产品展示

Products Classification

EA出品2020版灌篮妙手:运球、抢断生成敏捷流通,帮你找回童年梦想

  • 产品时间:2022-01-28 00:01
  • 价       格:

简要描述:机械之心报道机械之心编辑部未来的 NBA Live 要用上机械学习指导人物行动了吗?上世纪 90 年月,《灌篮妙手》风靡亚洲,承载了无数 80、90 后的童年回忆和梦想。二十多年已往了,《灌篮妙手》早已完结,但关于篮球的动画技术却一直在进步。在今年的 SIGGRAPH 盘算机图形学顶会中,一篇论文向我们展示了 2020 年的「灌篮妙手」是什么样子。 这篇论文的作者来自英国爱丁堡大学和全球著名互动娱乐软件公司艺电(Electronic Arts)。...

详细介绍
本文摘要:机械之心报道机械之心编辑部未来的 NBA Live 要用上机械学习指导人物行动了吗?上世纪 90 年月,《灌篮妙手》风靡亚洲,承载了无数 80、90 后的童年回忆和梦想。二十多年已往了,《灌篮妙手》早已完结,但关于篮球的动画技术却一直在进步。在今年的 SIGGRAPH 盘算机图形学顶会中,一篇论文向我们展示了 2020 年的「灌篮妙手」是什么样子。 这篇论文的作者来自英国爱丁堡大学和全球著名互动娱乐软件公司艺电(Electronic Arts)。

亚博全站官网登录

机械之心报道机械之心编辑部未来的 NBA Live 要用上机械学习指导人物行动了吗?上世纪 90 年月,《灌篮妙手》风靡亚洲,承载了无数 80、90 后的童年回忆和梦想。二十多年已往了,《灌篮妙手》早已完结,但关于篮球的动画技术却一直在进步。在今年的 SIGGRAPH 盘算机图形学顶会中,一篇论文向我们展示了 2020 年的「灌篮妙手」是什么样子。

这篇论文的作者来自英国爱丁堡大学和全球著名互动娱乐软件公司艺电(Electronic Arts)。使用他们在论文中给出的方法,我们可以获得越发庞大、流通且多样的篮球行动。好比抢断:运球:躲避障碍:急转弯:怎么样,是不是比你还灵活?虽然只是放出来个 demo,但其中展现的行动真实度已经折服了一票运动发烧友:甚至已经有网友表现要投资了:研究者表现,这项技术可以用到电脑游戏或 VR 中,让人们体验越发传神的篮球游戏。

固然,这么好的效果并不是短期内做出来的,而是作者数年事情的积累。此外,论文一作 Sebastian Starke 还表现,这个项目也是他博士论文的一部门。项目地址:https://github.com/sebastianstarke/AI4Animation论文链接:https://github.com/sebastianstarke/AI4Animation/blob/master/Media/SIGGRAPH_2020/Paper.pdf以下是论文的详细内容。

引言模拟角色工具与目的物体、情况以及其他角色之间多次接触的快速而庞大的交互有着庞大的需求。例如,玩篮球时,球员们需要运球等种种行动来和对手角逐。

之前从非结构化行动捕捉库学到的技术在行动的可扩展性、真实性以及多样性上存在限制。首先,大多数技术都需要用像相位(phase)这样的全局时间参数来对齐行动,但在行动涉及多次异步接触时,要做到这点就很是难题。其次,纵然行动是通过控制器学习的,用户通过键盘或游戏手柄提供的低维控制信号再现种种行动也会存在问题。

本篇论文的研究者提出了一种新型数据驱动的框架,来学习含有多次接触的迅速、动态的交互。研究者用一个大型的一对一篮球的数据库作为主要的样例,即只有一个球员做接球、运球、使用技巧躲避对方队员拦截球等行动。研究者设计和训练了一个神经角色控制器,它可以在一个统一的框架下学习并生成传神的进攻和防守行动,使得球员们可以轻松地由进攻转为防守。为了让模型学习包罗快速而庞大的交互的运动(球员肢体和球或地面之间的接触以异步的方式迅速转换),研究者提出了一种叫做局部运动相位(local motion phase)的特征。

局部运动相位是指每个身体部位是如何与外部物体接触的。该特征可以通过一种进化计谋自动地从非结构化运动捕捉数据中盘算获得。使用局部运动相位,网络能够学习人的局部肢体部位的运动,而无需用全局相位来对齐整个身体的运动。在篮球运动中,如果交互很是快速或庞大,用全局相位来对齐整个身体的运动会很是难题。

为了应对低维控制信号和整个身体的富厚运动之间的歧义,研究者提出了一种能够在高水平控制信号下再现种种猛烈运动的新型生成模型。该生成控制模型能够未来自用户指示的抽象控制信号转换成种种猛烈控制信号,这些信号能够与完整的身体运动相对应。系统经由篮球角逐中大量的运动捕捉数据训练之后,用户就可以交互地控制角色,来生成迅速且异步的篮球技巧,例如运球、佯攻、抢断、防守等,这对于电脑游戏和 VR 运动训练是很有用的。

该系统也可以用于学习其他接触较多的运动,好比坐在椅子上,开门以及四足运动。和之前的模型相比,该模型生成的行动质量很高,而且不需要任何人为标签。系统概览该研究的深度学习框架是一个类似于 [Zhang et al. 2018] 和 [Starke et al. 2019] 的混淆专家方案。

系统是由运动预测网络和门网络组成的。门网络盘算一套专家权重,而且学习如何通过混淆系数将它们动态组合来构建运动预测网络。然后从当前角色状态和用户给出的控制下令以自回归的方式盘算从一帧到下一帧的运动。

图 2:由门网络和运动预测网络组成的系统的架构。门网络用局部运动相位作为输入,并盘算专家混淆系数,然后将其用于生成运动预测网络。运动预测网络将姿势和用户控制变量作为输入,来预测从一帧到下一帧的运动。为了使该框架能够从大型运动数据库中学习篮球行动,研究者提出了两项主要革新:首先,用局部运动相位训练系统;其次,生成控制模型以原始的高水平用户控制下令作为输入,生成一种更猛烈的控制信号。

每个和其他物体或情况接触的骨骼的局部运动相位是单独盘算的,而且能够给四肢的行动举行异步编码。这和 [Starke et al. 2019] 的研究完全差别,在 [Starke et al. 2019] 的研究中,研究者假设每一个行动都由一个全局相位变量举行同步,这需要仔细的标注历程,或者界说有关行动何时开始和竣事的明确规则。这些事情有时很是难题,甚至是模棱两可的。而局部运动相位是基于单个骨骼的接触、以统一的规则举行盘算的,而且易于自动盘算。

图 4:用于单个骨骼的相位提取方法示例。图 5:双脚(LF、RF)、双手(LH、RH)和球(B)的局部运动相位提取示例。此外,研究者还引入了生成控制模型,以凭据用户提供的大略高电平控制信号生成种种猛烈行动。当有许多行动对应于相同的输入信号时,通过确定性模型举行的简朴回归将生成一个平均行动,其中猛烈水平险些没有变化。

研究。


本文关键词:出品,2020版,灌篮,妙手,运球,亚博123yabo,、,抢断,生成

本文来源:亚博全站官网登录-www.mxylsfw.com

 


产品咨询

留言框

  • 产品:

  • 留言内容:

  • 您的单位:

  • 您的姓名:

  • 联系电话:

  • 常用邮箱:

  • 详细地址:


推荐产品

Copyright © 2002-2021 www.mxylsfw.com. 亚博全站官网登录科技 版权所有 备案号:ICP备66687425号-4

在线客服 联系方式 二维码

服务热线

0277-52049231

扫一扫,关注我们