TGFC Lifestyle - Powered by Discuz! Board

标题: 神经网络在游戏中自动生成动作！ [打印本页]

作者: u571 时间: 2017-5-4 19:47 标题: 神经网络在游戏中自动生成动作！

posted by wap, platform: Chrome
每当谈起游戏中的人工智能，我们通常会想到更加逼真的敌人，也就是那些不会傻呆呆等着挨打的 NPC。不过新研究显示，神经网络驱动的人工智能还能在复杂的游戏环境中实时调整玩家角色动作的真实度，即使用革命性来形容都不为过。本文由雷锋网编译自Arstechnica。

对游戏角色控制来说，相位函数神经网络是一种全新的方式，这项技术将在今年夏天的美国计算机协会 SIGGRAPH 大会上亮相。

在大多数游戏中，游戏角色的动画是提前通过动作捕捉封装好的，这就意味着一位玩家在游戏中会看到完全相同的动作出现上千次，确实挺无聊的。“我们的系统就完全不同。”来自爱丁堡大学的研究人员 Daniel Holden 在接受采访时说道。

“我们会先准备一个庞大的动画数据库，”他说道。“随后我们会利用机器学习打造一个系统，该系统能直接将用户的输入映射到游戏角色的动作上去。因此，与将所有数据存储起来并根据某些指令进行呈现不同，我们的系统能根据用户输入直接产生相应的动画效果。”

该系统的功效确实显而易见，在演示视频中，即使背景地形相当复杂，那个戴三角帽的游戏角色也能做出许多自由且自然的动作。

其实演示视频中最令人惊讶的场景出现在 2:27，当时游戏角色正在岩石区移动，它需要“攀爬并保持平衡，在某些地方还需要跳跃。”在起跳前，角色还会真实的挥动胳膊来给身体蓄能，同时它还会根据移动的方向和环境对膝盖和腿的运动幅度进行调整，手部也会改变姿势来保持平衡。雷锋网(公众号：雷锋网)注意到，在前方不远处出现墙壁时，角色还会自然的放慢速度，而非全速前进然后急刹车。

虽然这些动作看似是不经意间做出的，但这样的动画效果与传统的运动捕捉相比确实高了好几个身位。仅仅几分钟的演示视频中，你能看出很多这样栩栩如生的小动作，绝对是细节满满。

在这段演示视频背后，其实是 Holden 和他的同事两小时之内拿到的 1.5GB 动作捕捉数据。在那之后，神经网络利用这些数据自主训练了 30 小时，大体上学会了如何将这些通过动作捕捉获得的动画重新结合并运用在游戏场景中。

“神经网络的加入让角色呈现出了一个姿势该有的组成部分，玩家的输入则随机的让这些组成部分相结合。”Holden 解释道。

这样一来，角色能做出的动作输出就比直接前期封装好的要多得多。就拿跳下窗台这个动作来说，传统的动画系统会直接载入“跳下窗台”的动画文档，但神经网络会通过数据库中类似场景的数据推断四肢的不同动作，并将这些数据进行融合以便完成最终的动作输出。

1.5GB 的训练数据在神经网络中以这种方式存储只需要数十兆的空间，Holden 解释道。“动画数据被压缩进了神经网络的权重，如果数据库中的每个姿势都能被分解成数个组成部分的加权和，神经网络就能轻松学习并大幅压缩数据体积。”

优势和劣势

其他的动画处理方式也能混合不同的动作捕捉“场景”并使用在新的环境中。不过，这些方式需要在本地存储大量的数据，因此会拖慢系统速度。一些最新的研究显示，其他以神经网络为基础的动画模型如果没有在混合处理过程中添加周期性阶段进行协助，产出的动画就相当粗糙，而且动作不自然。

利用神经网络改变动作捕捉动画可能会得到一些意想不到的结果，Holden 说道。举例来说，研究人员并未给一个在崎岖地形蹲着行走的角色提供专门的动作捕捉数据，但系统却自己学会了这种情况的处理方式，它将平坦地形上蹲伏的动作与崎岖地形中行走和奔跑的动作进行了结合。

Holden 认为，虽然这种系统“自行研发”的新动作观感不太自然，但效果已经完全可以接受了。此外，系统可能还学到了许多我们并未意识到的能力，不过神经网络也有局限。在研究中，Holden 就发现如果地形过于陡峭，动画就会彻底崩溃，“除非你给他一套自己都拿不准的数据。”

用 AI 来处理角色动画确实有其优势，但 Holden 也遇到了不少困难。首先，30 小时的训练时间就是个大麻烦，尤其是你想补录一些动作的情况下。此外，负责动作设计的艺术家也无法直接对神经网络的输出进行润色，而在传统的方式中，这一步相当重要。最后，虽然神经网络可以实时进行反应，但 1 秒钟的耗时在应用时还是没有预录动画来得快（Holden 认为未来肯定能找到提速的方式）。

雷锋网注意到，Holden 已经加入了育碧的研发团队，因此他不愿透露自己的解决方案到底会在哪款游戏中应用。不过，我们希望他的研究成果能早日应用在游戏中，让我们远离那些动作僵硬的傻瓜 NPC 们。

http://www.leiphone.com/news/201705/k3ZOsE5Hl4oxvxXq.html

作者: u571 时间: 2017-5-4 19:48

posted by wap, platform: Chrome
估计这玩意目前只有PC版本游戏才能用，需要不少SIMD计算量。

不过神经网络在游戏方面的潜力确实在逐渐显现，今后也许能出现神经网络计算出来的完全随机关卡和剧情，完全颠覆现在游戏模式。

本帖最后由 u571 于 2017-5-4 19:53 通过手机版编辑

作者: sj13020 时间: 2017-5-4 19:53

引用:

原帖由 u571 于 2017-5-4 19:48 发表
posted by wap, platform: Chrome
估计这玩意目前只有PC版本游戏才能用，需要大量本地内存和不少SIMD计算量。

PC那点运算量才运行不起来，需要连接专门的运算服务器

作者: u571 时间: 2017-5-4 19:56

posted by wap, platform: Chrome

引用:

原帖由 @sj13020 于 2017-5-4 19:53 发表
PC那点运算量才运行不起来，需要连接专门的运算服务器

现在还是初期，没有优化。

原文上看的是经过优化在四核处理器上（I5之类）延迟达到跟目前预制动画同等水准。

作者: 藕是张力 时间: 2017-5-4 22:12

posted by wap, platform: iPhone

引用:

原帖由 @u571 于 2017-5-4 19:48 发表
估计这玩意目前只有PC版本游戏才能用，需要不少SIMD计算量。

不过神经网络在游戏方面的潜力确实在逐渐显现，今后也许能出现神经网络计算出来的完全随机关卡和剧情，完全颠覆现在游戏模式。

本帖最后由 u571 于 201754 19:53 通过手机版编辑

随机关卡，随机地图，不就是渣游戏的代名词嘛

作者: DKNYZK 时间: 2017-5-4 22:20

posted by wap, platform: iPhone
运动游戏牛逼了

作者: u571 时间: 2017-5-5 07:45

posted by wap, platform: Chrome

引用:

原帖由 @藕是张力于 2017-5-4 22:12 发表
随机关卡，随机地图，不就是渣游戏的代名词嘛

那要看你怎么做，初代大菠萝就是随机地图为卖点

作者: jun4rui 时间: 2017-5-5 08:01

posted by wap, platform: Chrome
这还是早期，期待今后成为物理引擎一般的普及率

作者: u571 时间: 2017-5-5 08:13

posted by wap, platform: Chrome

引用:

原帖由 @jun4rui 于 2017-5-5 08:01 发表
这还是早期，期待今后成为物理引擎一般的普及率

鬼佬的观点是这个技术今后很可能会彻底取代物理引擎，因为没有必要实现制定物理规则，神经网络卷积直接从真实图像视频里学习就行了

作者: endrollex 时间: 2017-5-5 08:14

posted by wap, platform: Android
荣耀战魂不就差不多的概念

作者: u571 时间: 2017-5-5 08:31

posted by wap, platform: Chrome

引用:

原帖由 @endrollex 于 2017-5-5 08:14 发表
荣耀战魂不就差不多的概念

荣耀战魂只是用神经网络来生成预制动画，这个技术是直接用深度学习来生成动作。

所有动作都不是重复的，而且玩家能做出什么动作连游戏开发者都不能控制，完全黑盒随机化。

作者: 大头木 时间: 2017-5-5 08:55

以后你都不知道对方是人是狗是pc了

作者: 李小星的爸爸 时间: 2017-5-7 17:07

现在最常用的神经网络是BP神经网络，这种算法能够反向传递误差。神经网络更多的应用是预测，之前谷歌开发了一套预测模型，用来在电影上映前预测票房，准确度很高。文中提到的神经网络是一种比较新的神经网络，最显著的特点是中间节点的函数不一样。神经网络用于机器学习的话，需要大量的样本库和学习时间，而且时间会比较长。

作者: 李小星的爸爸 时间: 2017-5-7 17:09

@king8910213 试试这个论坛能不能这样艾特人

作者: achen126 时间: 2017-5-7 18:23

GTA的马路NPC用一下岂不炸裂？？

作者: darkgame 时间: 2017-5-7 20:11

哈哈, 看到最后, 果然是加入育碧的开发团队, 育碧就是能吹

作者: 华林政劝 时间: 2017-5-7 20:12

我还以为是说脑后插管

欢迎光临 TGFC Lifestyle (http://bbs.tgfcer.com/)