Gerçek zamanlı hareket yakalama olmadan, sanal dublör belirtilen eylemi gerektiği gibi tamamlayabilir mi? Bu sorunun cevabı nihayet olumsuzdan olumluya değişti.
Son zamanlarda, Berkeley BAIR Laboratuvarı hareket modellemede en son araştırma sonuçlarını açıkladı. Hareket yakalama kliplerinin kullanımıyla Berkeley, yapay zekanın "zihinsel engelli olarak hareket eden" sanal karakterlerin önceki sorununun başarıyla üstesinden gelmesine ve 24 zor hareketi öğrenmelerine izin verdi.
Berkeley, araştırmasının esas olarak robotlarda meydana gelen doğal olmayan hareketler, anormal titreme, asimetrik adımlar ve aşırı uzuv salınımlarının sorunlarını çözmek olduğunu söyledi. Ancak gelecekte idoller, kendileri için vekil olarak sanal bir dublör kiralayacak ~
Hareket simülasyonu ve hareket yakalama
Hareket simülasyon teknolojisi iki büyük okula ayrılmıştır.
İlk kategori basit model teknolojidir. Bu tür pekiştirmeli öğrenme kıyaslamasında, simülasyon nesnesi basit bir model kullanır. Bu modeller, simüle edilmiş nesnelerin çeşitli videolarından üretilir.Videoda simüle edilen öznelerin tanımlanması, çıkarılması ve 3B modellemesi yoluyla, yapay zeka, simüle edilen nesnelerin hareket özelliklerini ve farklı eylemlerin özelliklerini "öğrenebilir", böylece simüle edilen nesnelerin hareketini taklit edebilir.
Bununla birlikte, yüksek kaliteli bir 3D model oluşturmak, model eğitiminde uygulanması neredeyse imkansız olan çok fazla insan gücü ve malzeme kaynağı gerektirir. Distorsiyon modeli tarafından eğitilen AI tarafından üretilen eylem simülasyon sonuçları, gerçek dünyada mümkün olmayan birçok davranış üretecektir.
Başka bir strateji, veri odaklı teknoloji adı verilen eylemlerin simülasyonu için daha doğru ve doğaldır. Hareket yakalama teknolojisi ile yakından ilgilidir.
Hareket yakalama artık film özel efekt üretiminde yaygın olarak kullanılmaktadır. İzleyicilerin hareketli nesnelerin önemli kısımlarına yerleştirildiği ve daha sonra üç boyutlu uzamsal koordinat verilerini elde etmek için bir bilgisayar tarafından işlendiği bir teknolojidir. Teknoloji boyut ölçümü, fiziksel alan konumlandırma ve yönelim belirlemeyi içerir. Eylem simülasyonu, bu temelde ileri bir adımdır.
İnsan hareketi yakalama yoluyla, model eğitimi için doğal hareket örnekleri oluşturulabilir. Bu şekilde, AI, eylemin geri yüklenmesini gerçekleştirmek için örnekteki her bir kilit nokta koordinatının yer değiştirme eğilimini kavrayabilir.
Bununla birlikte, bu yöntemin çok sınırlı veri örneklem büyüklüğü nedeniyle, AI yalnızca birkaç grup eylemini öğrenebilir. Bu şekilde, AI tarafından üretilen eylem simülasyon sonuçları güçlü bir endüktif önyargıya sahip olacaktır.
Diğer bir deyişle, yapay zekanın basit bir model çerçevesinde ustalaştığı eklem ve kas hareketi modellerinin aksine, veri odaklı bir çerçeve altında eğitilen yapay zeka, veri tabanında yalnızca birkaç sabit hareket setinde ustalaşabilir. Sadece bu değil, yapay zeka, hareket yakalama nesnesinin kendisinin eksiklikleri ve kusurları nedeniyle hareket simülasyonunda daha becerikli hareketler üretemeyecek.
Ve her birinin kendi eksiklikleri olan iki okulda, Berkeley üçüncü bir yol buldu: güçlü yönleri en üst düzeye çıkarmak ve zayıflıklardan kaçınmak. Araştırmada Berkeley, basit bir modele dayalı pekiştirmeli öğrenmeye yardımcı olmak için bir hareket yakalama modeli tanıttı. Bu nedenle, model öğrenme örnekleri yoluyla yalnızca daha zor eylemler yapmakla kalmaz, aynı zamanda çıktı eylemlerinin kalitesi de tüm vücut eylemlerinin mevcut en gelişmiş bilgisayar grafiği simülasyonuyla eşleşebilir.
Yüksek kaliteli eylemlerin gerçekleştirilmesi
Yapay zekanın eylemleri doğru ve verimli bir duruşta simüle etmesine izin vermek için Berkeley üç ana eksen sundu.
İlk önemli şey, inovasyon ödülü işlevidir. Berkeley'in makine güçlendirme öğreniminde kullandığı ödül işlevine azaltılmış izleme hatası işlevi denir. Bu işlevde, referans eylem ve simülasyon eylemi kodlanacak ve varyans hesaplanacaktır. Varyans daha büyük olduğunda, AI'nın aldığı negatif geri bildirim daha güçlü olacaktır, böylece AI, simülasyondan simülasyona hedef eylemi öğrenebilir.
Bu ödül işlevinin avantajı, olumsuz geri bildirim veren ödül işlevinin yapay zeka için hatalı sonuçları etkili bir şekilde ortadan kaldırabilmesi, böylece YZ'nin öğrenme yönünü daha net hale getirmesi ve çıktı nesnesi olarak pozitif geri bildirimi kullanan ödül işlevlerinin birçok dezavantajından kaçınmasıdır.
İkinci büyük balta, araştırmanın asıl amacıyla yakından ilgilidir. Gelecekte sanal karakterlerin öğrenme sonuçlarının fiziksel robotlara uygulanmasına izin vermek için. Modelleme yaparken, geliştiriciler modele doğal olarak yerçekimi gibi bir dizi parametre ekledi.
Bu, yapay zekanın hareket simülasyonunu gerçekleştirirken kuvvet kullanımını ve hareket yörüngesini de ölçmesi gerektiği anlamına gelir. Bu veriler referans modelde verilmemiştir ve yapay zekanın kendi başına keşfetmesi gerekir. Sadece bu da değil, çünkü tek bir referans modeli genellikle düşme ve ayakta durma gibi eylemleri içermediği için, bu da pekiştirmeli öğrenmede sanal bir nesne düştüğünde neredeyse kalkma olasılığının olmadığı anlamına gelir.
Bu nedenle, Ar-Ge personeli bu duruma cevaben erken sonlandırma seçeneğini belirledi.Sanal nesne işe yaramaz bir duruma girdiğinde, bu sorunu hafifletmek için eğitime son verilebilir.
Erken sonlandırma olasılığını azaltmak ve sanal nesnelerin eylemlerinin çevresel parametrelerden dolayı deforme olmamasını sağlamak için, Araştırmacılar ayrıca üçüncü bir hile referans durumu başlattı. Referans eylemin rastgele örnekleme durumuna başlatılmasına izin verin.
Örneğin, bir sanal nesneyi ters takla atmayı tamamlamak için eğitirken, sanal nesne bazen ters takla atmayı öğrenmek için kapağın orta durumundan ve bazen zeminden başlar. Sonuç olarak AI, ters takla başlama, orta ve iniş koşullarını kademeli olarak kavrayarak ters takla atmanın tamamen geri yüklenmesini sağlayabilir.
Çekirdeği okuyun
Geleceğin animasyonu
Berkeley tarafından geliştirilen hareket simülasyonu çerçevesi, hareket yakalama düzenlemesi olmadan bile sadece insan hareketlerini taklit etmekle kalmaz, çerçeve aynı zamanda sanatçının boyama şeklini de simüle edebilir. Deneyde Berkeley, aslanların, Tyrannosaurus'un ve diğer canlıların hareketlerini başarıyla simüle etti.
Bu teknoloji animasyon yapımına uygulanırsa, kuşkusuz büyük ölçüde insan gücü ve malzeme tasarrufu sağlayacaktır. Üstelik bazı uzaylı yaratıkların hareketleri, oyuncuların tekrarını gerektirmediği için yönetmenin beklentilerine bir ölçüde daha yakın olabiliyor.
Elbette animasyon prodüksiyonuna uygulanması biraz zaman alacak.Sonuçta yüz hareketlerinin ve vücut detaylarının simülasyonu daha fazla numune ve daha fazla hesaplama gerektiriyor, mevcut modeller bu talebi karşılayamıyor. Ancak teknolojinin hızla gelişmesiyle belki göz açıp kapayıncaya kadar yapay zekanın ürettiği animasyon tiyatroda bizimle buluşacak!
Yazar: Sheep Breeze
Referans bağlantısı:
https://www.leiphone.com/news/201804/UaDuhU7EjFrnHHs2.html?viewType=weixin
Yeniden yazdırmanız gerekirse, lütfen arka planda bir mesaj bırakın ve yeniden yazdırma şartnamelerine uyun.