主页 > 天龙百科 >

DeepDribble用AI模拟篮球

发布时间:2019-05-12 16:03

DeepMotion和CMU的研究人员教虚拟篮球运动员完全模拟运球技巧。

顶级篮球运动员表现出强大的上身灵巧性,较低的身体敏捷性以及对球协调的掌握。当训练身体模拟人物篮球技能时,这些竞争人才也必须保持平衡。虽然像EA’ sNBA LIVEandNBA 2Khave这样的AAA游戏大幅改进了他们的图形和角色动画,但篮球视频游戏仍然严重依赖于罐装动画。业界一直在寻找新的方法,以更个性化,互动的方式创造扣人心弦的场上动作。

在最近的一篇文章中,DeepMotion首席科学家,刘立彬和卡内基梅隆大学教授杰西卡霍金斯,虚拟代理人接受培训,可以实时模拟一系列复杂的控球技巧。本博客概述了他们的工作和结果,将在SIGGRAPH 2018上公布。我们还介绍了开发人员如何在自己的内容开发中利用智能角色模拟。

AI驱动运动模拟的状态

强化学习技术已被证明在数字代理中创建功能性(尽管有些奇怪)运动方面非常成功。像OpenAI’ sCompetitive Self Playor DeepMind&s; sParkour Simulation的作品使用最先进的算法来生成3D人形机器人的紧急运动。在游戏动画世界中,神经网络已被用于一些企业游戏,如侠盗猎车手,以制作程序性动作,虽然无可否认是栩栩如生,但相对缺乏灵活性。来自刘和霍金斯的最新作品,以及其他图形文件如DeMimic和DeepLoco,对于逼真的,基于物理的角色动画展示了有希望的结果。 DeepDribble以各种技术为基础,为自然,模拟的运球动作和过渡创建高性能模拟。本文标志着角色控制系统的突破,可以在实时模拟过程中处理物体,同时进行上半身运动和下半身运动。

刚性动画→物理模拟

为了训练角色的身体技能,研究人员使用生物力学模型将关节和扭矩归因于角色装备。该过程使标准角色模型物理化,允许其通过调整肌肉扭矩来平衡和移动。 (Deep Motion&s; sAvatar Physics Engineuses类似于“明确的物理学”)。如DeepDribble论文所示,可以单独训练不同的关节组以进行有针对性的技能发展。

:本文中使用的手模型。研究人员使用1-DoF针关节用于近端指间关节和远端指间关节,3-Do天龙八部私服怎么玩的F球窝关节用于掌指关节。指尖上的红点代表用于计算球和手之间的距离。 :平手姿势(左)和第一姿势(右)用于计算目标姿势forhands。

角色模型。 :骨架和碰撞几何。 正确
被操纵的角色

然后使用动作捕捉素材的短片作为参考数据来教授角色运动控制。这轮训练教导控制器操纵角色的生物力学模型,以执行剪辑的模拟版本。

初始训练消除了动作捕捉数据中发现的瑕疵和故障—这是体育游戏中角色动画的首选方法—并将预制动画转换为实时动态动画。

基本球处理:轨迹优化和线性回归

在初始训练中不需要球,而是使用轨迹优化(在给定手臂位置的情况下估计球和手的运动)来重建球。从重建的球和手的运动,我们可以学习线性回归模型来处理运球过程中的各种扰动。

这种线性政策在多个周期的过程中为简单的球处理任务提供了强大的技能。

线性策略(粗略地说:代理根据其当前状态确定要采取的操作的方法—在这种情况下,片段之间的动作)近似球控制,线性模型不足以进行更高级的运球 DeepMotion和CMU的研究人员教虚拟篮球运动员完全模拟运球技巧。

顶级篮球运动员表现出强大的上身灵巧性,较低的身体敏捷性以及对球协调的掌握。当训练身体模拟人物篮球技能时,这些竞争人才也必须保持平衡。虽然像EA’ sNBA LIVEandNBA 2Khave这样的AAA游戏大幅改进了他们的图形和角色动画,但篮球视频游戏仍然严重依赖于罐装动画。业界一直在寻找新的方法,以更个性化,互动的方式创造扣人心弦的场上动作。

在最近的一篇文章中,DeepMotion首席科学家,刘立彬和卡内基梅隆大学教授杰西卡霍金斯,虚拟代理人接受培训,可以实时模拟一系列复杂的控球技巧。本博客概述了他们的工作和结果,将在SIGGRAPH 2018上公布。我们还介绍了开发人员如何在自己的内容开发中利用智能角色模拟。

AI驱动运动模拟的状态

强化学习技术已被证明在数字代理中创建功能性(尽管有些奇怪)运动方面非常成功。像OpenAI’ sCompetitive Self Playor DeepMind&s; sParkour Simulation的作品使用最先进的算天龙八部私服公益发布网法来生成3D人形机器人的紧急运动。在游戏动画世界中,神经网络已被用于一些企业游戏,如侠盗猎车手,以制作程序性动作,虽然无可否认是栩栩如生,但相对缺乏灵活性。来自刘和霍金斯的最新作品,以及其他图形文件如DeMimic和DeepLoco,对于逼真的,基于物理的角色动画展示了有希望的结果。 DeepDribble以各种技术为基础,为自然,模拟的运球动作和过渡创建高性能模拟。本文标志着角色控制系统的突破,可以在实时模拟过程中处理物体,同时进行上半身运动和下半身运动。

刚性动画→物理模拟

为了训练角色的身体技能,研究人员使用生物力学模型将关节和扭矩归因于角色装备。该过程使标准角色模型物理化,允许其通过调整肌肉扭矩来平衡和移动。 (Deep Motion&s; sAvatar Physics Engineuses类似于“明确的物理学”)。如DeepDribble论文所示,可以单独训练不同的关节组以进行有针对性的技能发展。

:本文中使用的手模型。研究人员使用1-DoF针关节用于近端指间关节和远端指间关节,3-DoF球窝关节用于掌指关节。指尖上的红点代表用于计算球和手之间的距离。 :平手姿势(左)和第一姿势(右)用于计算目标姿势forhands。

角色模型。 :骨架和碰撞几何。 正确
被操纵的角色

然后使用动作捕捉素材的短片作为参考数据来教授角色运动控制。这轮训练教导控制器操纵角色的生物力学模型,以执行剪辑的模拟版本。

初始训练消除了动作捕捉数据中发现的瑕疵和故障—这是体育游戏中角色动画的首选方法—并将预制动画转换为实时动态动画。

基本球处理:轨迹优化和线性回归

在初始训练中不需要球,而是使用轨迹优化(在给定手臂位置的情况下估计球和手的运动)来重建球。从重建的球和手的运动,我们可以学习线性回归模型来处理运球过程中的各种扰动。

这种线性政策在多个周期的过程中为简单的球处理任务提供了强大的技能。

线性策略(粗略地说:代理根据其当前状态确定要采取的操作的方法—在这种情况下,片段之间的动作)近似球控制,线性模型不足以进行更高级的运球

上一篇:E3 2002 Capcom的E3前会议
下一篇:Nintendo-DS拥有历史上最好的一年,Wii并不落后

相关内容