本文由腾讯数码独家发布
即使在现代游戏开发引擎的自动动画功能的帮助下，将屏幕上的虚拟人物带入生活也是一项艰巨而耗时的任务。然而，最近人工智能的一系列进步可能很快就会大大减少创造逼真的角色动作所需要的时间。
以像NBA2K系列这样的篮球比赛为例。在2010年之前，屏幕上的球员——无论是沙克、勒布朗、KD还是库里——都是模仿普通的穿着动作捕捉服的人。
“曾经有一段时间，NBA2K完全是由动画师和制作人制作的，”2 K的安东尼托米尼亚在2016年的《旗帜晚报》上说。然而，即使是在开发人员开始引进NBA球员的时候，他们仍然面临着一项耗时耗力的挑战，即在每一场运动中捕捉他们的身体动作——带球、投篮、跳跃——然后将这些数据转换到他们的游戏角色。
“动作捕捉的数据,我们已经是我们所拥有的一切,在这个意义上,如果我们捕捉有人运球一个球以一个特定的速度穿过房间,然后我们有速度,”杰西卡·霍金斯,卡内基梅隆大学的计算机科学和机器人技术教授,告诉瘾科技。“我们没有能力让它适应转弯，或者以不同的速度奔跑，或者以不同的模式运球。”
然而，在CMU与总部位于加州的DeepMotion合作开发的一个新系统，可能有助于大幅削减运球动画的制作时间。它利用一种“深层强化学习”技术，通过反复试验，实时产生逼真的盘带运动。基本上，系统学会了在实践中进行运球。很多很多的练习。
“在控制系统中使用模拟的想法是这样的，我们有这样的普遍性，”霍金斯继续说道。“如果你想让角色做一些稍微不同的事情，稍微转一下，或者类似的东西，这就是算法所能做的事情。”而在动作捕捉的情况下，你只需要捕捉你捕捉到的序列。”
不像传统的mo-cap系统，每个动作都必须被拍摄并映射到阿凡达，这个系统需要最少的视频输入。霍金斯说：“这些算法的工作方式，实际上更容易从较小的训练集中工作，因为随着数据的增加，空间会变得更大。”这并不是说更大的数据集不是一件好事，请注意。“我们实际上想要使用更大的数据集，因为这可能会让行为对不同类型的干扰更有活力，”然而，“然而，首先训练系统的行为根本不需要它。”
“这项研究开启了用熟练的虚拟替身来模拟体育运动的大门，”DeepMotion的首席科学家刘利斌在一份声明中说。“这项技术可以应用于运动模拟之外，为游戏、动画、动作分析以及未来的机器人技术创造更多的互动角色。”
虽然研究团队的深度运动方面正在寻求将这项技术商业化，但在它达到成熟之前还有进一步发展的空间。技能之间的转换是下一个巨大的挑战。
“我们还没有像人类篮球运动员那样的普遍性，”霍金斯说。她指出，职业篮球运动员可以在球场上无缝地运球，摇晃他们的防守队员，或者在没有积极计划的情况下，将球踢到篮下，或者拉上跳投。“这不是人们必须考虑的事情，”她继续说道。“在某种意义上，我们的角色仍然需要接受训练，不仅要做个体的行为，还要做他们之间的过渡。”
体育游戏并不是唯一能从机器学习和人工智能进步中获益的类型。爱丁堡大学的研究可以为游戏内的运动增加一些急需的变化。
该研究的主要作者丹尼尔霍尔登告诉Ars Technica，“我们没有存储所有的数据，而是选择了哪个剪辑，我们有一个系统，可以动态地生成动画，因为用户的输入。”“我们的系统采用输入用户控制、角色的前一种状态、场景的几何形状，并自动生成高质量的动作，以实现所需的用户控制。”
因此，这个系统不是从数据库中提取和播放预先制作的动画，而是基于地形、阿凡达的位置和控制器的方向输入来呈现它们。而且，和CMU系统一样，这个系统还有一些问题需要解决。例如，它无法处理与环境的复杂互动——比如攀爬栅栏或跳过灌木丛。
幸运的是，加州大学伯克利分校开发的一个人工驱动系统是专门为执行高空飞行任务而设计的。这个深度学习引擎被称为“深度模拟”，它训练数字化身来追踪参考动作捕捉动画的动作。更重要的是，它训练化身来执行预定的动作，而不考虑它的身体部位的当前位置，而不是简单地将它们移动到下一个关键帧。这就确保了阿凡达的奔跑跳跃、塔克和滚动，而不是仅仅跑过去，在地上扑来扑去。
这些只是一些技术，这些技术将使下一代游戏更加流畅，并能实现真正逼真的动作。而且，当结合了额外的进步来改善角色本身（或者至少是他们的皮毛）时，明天的游戏机游戏可能会变得越来越难以与现实区分开来。
来源：engadget
