雷鋒網(wǎng)按：每當(dāng)談起游戲中的人工智能，我們通常會(huì)想到更加逼真的敵人，也就是那些不會(huì)傻呆呆等著挨打的 NPC。不過(guò)新研究顯示，神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的人工智能還能在復(fù)雜的游戲環(huán)境中實(shí)時(shí)調(diào)整玩家角色動(dòng)作的真實(shí)度，即使用革命性來(lái)形容都不為過(guò)。本文由雷鋒網(wǎng)編譯自Arstechnica。

對(duì)游戲角色控制來(lái)說(shuō)，相位函數(shù)神經(jīng)網(wǎng)絡(luò)是一種全新的方式，這項(xiàng)技術(shù)將在今年夏天的美國(guó)計(jì)算機(jī)協(xié)會(huì) SIGGRAPH 大會(huì)上亮相。

在大多數(shù)游戲中，游戲角色的動(dòng)畫(huà)是提前通過(guò)動(dòng)作捕捉封裝好的，這就意味著一位玩家在游戲中會(huì)看到完全相同的動(dòng)作出現(xiàn)上千次，確實(shí)挺無(wú)聊的。“我們的系統(tǒng)就完全不同。”來(lái)自愛(ài)丁堡大學(xué)的研究人員 Daniel Holden 在接受采訪時(shí)說(shuō)道。

“我們會(huì)先準(zhǔn)備一個(gè)龐大的動(dòng)畫(huà)數(shù)據(jù)庫(kù)，”他說(shuō)道?！半S后我們會(huì)利用機(jī)器學(xué)習(xí)打造一個(gè)系統(tǒng)，該系統(tǒng)能直接將用戶的輸入映射到游戲角色的動(dòng)作上去。因此，與將所有數(shù)據(jù)存儲(chǔ)起來(lái)并根據(jù)某些指令進(jìn)行呈現(xiàn)不同，我們的系統(tǒng)能根據(jù)用戶輸入直接產(chǎn)生相應(yīng)的動(dòng)畫(huà)效果?！?/p>

該系統(tǒng)的功效確實(shí)顯而易見(jiàn)，在演示視頻中，即使背景地形相當(dāng)復(fù)雜，那個(gè)戴三角帽的游戲角色也能做出許多自由且自然的動(dòng)作。

游戲角色的動(dòng)作相當(dāng)自然

其實(shí)演示視頻中最令人驚訝的場(chǎng)景出現(xiàn)在 2:27，當(dāng)時(shí)游戲角色正在巖石區(qū)移動(dòng)，它需要“攀爬并保持平衡，在某些地方還需要跳躍?！痹谄鹛?，角色還會(huì)真實(shí)的揮動(dòng)胳膊來(lái)給身體蓄能，同時(shí)它還會(huì)根據(jù)移動(dòng)的方向和環(huán)境對(duì)膝蓋和腿的運(yùn)動(dòng)幅度進(jìn)行調(diào)整，手部也會(huì)改變姿勢(shì)來(lái)保持平衡。雷鋒網(wǎng)注意到，在前方不遠(yuǎn)處出現(xiàn)墻壁時(shí)，角色還會(huì)自然的放慢速度，而非全速前進(jìn)然后急剎車。

雖然這些動(dòng)作看似是不經(jīng)意間做出的，但這樣的動(dòng)畫(huà)效果與傳統(tǒng)的運(yùn)動(dòng)捕捉相比確實(shí)高了好幾個(gè)身位。僅僅幾分鐘的演示視頻中，你能看出很多這樣栩栩如生的小動(dòng)作，絕對(duì)是細(xì)節(jié)滿滿。

學(xué)習(xí)如何移動(dòng)

神經(jīng)網(wǎng)絡(luò)產(chǎn)生新動(dòng)畫(huà)的過(guò)程

在這段演示視頻背后，其實(shí)是 Holden 和他的同事兩小時(shí)之內(nèi)拿到的 1.5GB 動(dòng)作捕捉數(shù)據(jù)。在那之后，神經(jīng)網(wǎng)絡(luò)利用這些數(shù)據(jù)自主訓(xùn)練了 30 小時(shí)，大體上學(xué)會(huì)了如何將這些通過(guò)動(dòng)作捕捉獲得的動(dòng)畫(huà)重新結(jié)合并運(yùn)用在游戲場(chǎng)景中。

“神經(jīng)網(wǎng)絡(luò)的加入讓角色呈現(xiàn)出了一個(gè)姿勢(shì)該有的組成部分，玩家的輸入則隨機(jī)的讓這些組成部分相結(jié)合?！盚olden 解釋道。

這樣一來(lái)，角色能做出的動(dòng)作輸出就比直接前期封裝好的要多得多。就拿跳下窗臺(tái)這個(gè)動(dòng)作來(lái)說(shuō)，傳統(tǒng)的動(dòng)畫(huà)系統(tǒng)會(huì)直接載入“跳下窗臺(tái)”的動(dòng)畫(huà)文檔，但神經(jīng)網(wǎng)絡(luò)會(huì)通過(guò)數(shù)據(jù)庫(kù)中類似場(chǎng)景的數(shù)據(jù)推斷四肢的不同動(dòng)作，并將這些數(shù)據(jù)進(jìn)行融合以便完成最終的動(dòng)作輸出。

1.5GB 的訓(xùn)練數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)中以這種方式存儲(chǔ)只需要數(shù)十兆的空間，Holden 解釋道?！皠?dòng)畫(huà)數(shù)據(jù)被壓縮進(jìn)了神經(jīng)網(wǎng)絡(luò)的權(quán)重，如果數(shù)據(jù)庫(kù)中的每個(gè)姿勢(shì)都能被分解成數(shù)個(gè)組成部分的加權(quán)和，神經(jīng)網(wǎng)絡(luò)就能輕松學(xué)習(xí)并大幅壓縮數(shù)據(jù)體積。”

優(yōu)勢(shì)和劣勢(shì)

其他的動(dòng)畫(huà)處理方式也能混合不同的動(dòng)作捕捉“場(chǎng)景”并使用在新的環(huán)境中。不過(guò)，這些方式需要在本地存儲(chǔ)大量的數(shù)據(jù)，因此會(huì)拖慢系統(tǒng)速度。一些最新的研究顯示，其他以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的動(dòng)畫(huà)模型如果沒(méi)有在混合處理過(guò)程中添加周期性階段進(jìn)行協(xié)助，產(chǎn)出的動(dòng)畫(huà)就相當(dāng)粗糙，而且動(dòng)作不自然。

利用神經(jīng)網(wǎng)絡(luò)改變動(dòng)作捕捉動(dòng)畫(huà)可能會(huì)得到一些意想不到的結(jié)果，Holden 說(shuō)道。舉例來(lái)說(shuō)，研究人員并未給一個(gè)在崎嶇地形蹲著行走的角色提供專門(mén)的動(dòng)作捕捉數(shù)據(jù)，但系統(tǒng)卻自己學(xué)會(huì)了這種情況的處理方式，它將平坦地形上蹲伏的動(dòng)作與崎嶇地形中行走和奔跑的動(dòng)作進(jìn)行了結(jié)合。

未經(jīng)專門(mén)訓(xùn)練的角色卻學(xué)會(huì)了新動(dòng)作

Holden 認(rèn)為，雖然這種系統(tǒng)“自行研發(fā)”的新動(dòng)作觀感不太自然，但效果已經(jīng)完全可以接受了。此外，系統(tǒng)可能還學(xué)到了許多我們并未意識(shí)到的能力，不過(guò)神經(jīng)網(wǎng)絡(luò)也有局限。在研究中，Holden 就發(fā)現(xiàn)如果地形過(guò)于陡峭，動(dòng)畫(huà)就會(huì)徹底崩潰，“除非你給他一套自己都拿不準(zhǔn)的數(shù)據(jù)?！?/p>

用 AI 來(lái)處理角色動(dòng)畫(huà)確實(shí)有其優(yōu)勢(shì)，但 Holden 也遇到了不少困難。首先，30 小時(shí)的訓(xùn)練時(shí)間就是個(gè)大麻煩，尤其是你想補(bǔ)錄一些動(dòng)作的情況下。此外，負(fù)責(zé)動(dòng)作設(shè)計(jì)的藝術(shù)家也無(wú)法直接對(duì)神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行潤(rùn)色，而在傳統(tǒng)的方式中，這一步相當(dāng)重要。最后，雖然神經(jīng)網(wǎng)絡(luò)可以實(shí)時(shí)進(jìn)行反應(yīng)，但 1 秒鐘的耗時(shí)在應(yīng)用時(shí)還是沒(méi)有預(yù)錄動(dòng)畫(huà)來(lái)得快（Holden 認(rèn)為未來(lái)肯定能找到提速的方式）。

雷鋒網(wǎng)注意到，Holden 已經(jīng)加入了育碧的研發(fā)團(tuán)隊(duì)，因此他不愿透露自己的解決方案到底會(huì)在哪款游戲中應(yīng)用。不過(guò)，我們希望他的研究成果能早日應(yīng)用在游戲中，讓我們遠(yuǎn)離那些動(dòng)作僵硬的傻瓜 NPC 們。

同時(shí)，這項(xiàng)研究也讓我們不禁猜想，也許在不久的將來(lái)神經(jīng)網(wǎng)絡(luò)會(huì)為游戲開(kāi)發(fā)帶來(lái)新的革命性成果呢。

Via. Arstechnica

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。