انیمیشن بسکتبال شبیه واقعیت

بازیکنان بسکتبال قبل از اینکه شر شر را زیر پا بگذارند , به تمرین زیادی نیاز دارند و این موضوع برای بازیکنان انیمیشن کامپیوتری نیز صدق می‌کند . با استفاده از یادگیری تقویتی عمیق , بازیکنان در بازی‌های بسکتبال ویدئو می‌توانند بینش‌هایی را از داده‌های ثبت حرکت جمع‌آوری کنند تا مهارت‌های دریبل خود را تیز کنند .
اشتراک :
داستان کامل
بازیکنان بسکتبال قبل از اینکه شر شر را زیر پا بگذارند , به تمرین زیادی نیاز دارند و این موضوع برای بازیکنان انیمیشن کامپیوتری نیز صدق می‌کند . با استفاده از یادگیری تقویتی عمیق , بازیکنان در بازی‌های بسکتبال ویدئو می‌توانند بینش‌هایی را از داده‌های ثبت حرکت جمع‌آوری کنند تا مهارت‌های دریبل خود را تیز کنند .

محققان در دانشگاه کارنگی ملون و یک شرکت در کالیفرنیا برای اولین بار یک روش مبتنی بر فیزیک برای کنترل شخصیت‌های کارتونی که می‌توانند مهارت‌های دریبل از تجربه را یاد بگیرند تهیه کرده‌اند . در این مورد , سیستم از ثبت حرکتی حرکات انجام‌شده توسط افراد دریبل سرعتی یاد می‌گیرد .
این فرآیند یادگیری و خطا وقت گیر است و نیازمند میلیون ‌ها آزمایش است , اما نتایج حرکات بازوی هستند که با حرکت فیزیکی مناسب هماهنگ هستند . بازیکنان در حال یاد گرفتن شر بین پاهای خود , دریبل از پشت سر و انجام حرکات متقاطع و همچنین نحوه گذر از یک مهارت به یکدیگر هستند .
جسیکا آستین , استاد علوم رایانه و رباتیک دانشگاه کارنگی ملون , می‌گوید : " زمانی که مهارت‌ها آموخته شوند , حرکات جدید بسیار سریع‌تر از زمان واقعی شبیه‌سازی می‌شوند . "
لیو و لیو لیو , دانشمند ارشد دانشگاه , این روش را در کنفرانس , کنفرانس در زمینه گرافیک رایانه‌ای و تکنیک‌های تعاملی , در ونکوور بیان خواهد کرد .
" این فن‌آوری می‌تواند فراتر از شبیه‌سازی ورزشی برای ایجاد شخصیت‌های تعاملی بیشتر برای بازی , انیمیشن , تحلیل حرکت و در آینده , رباتیک اعمال شود . "
داده‌های ثبت حرکت هم اکنون رئالیسم را به بازی‌های ویدیویی هنری اضافه می‌کنند . لیو اشاره کرد که اما این بازی‌ها همچنین شامل چیزهای نگران‌کننده‌ای است .
یک روش مبتنی بر فیزیک پتانسیل ایجاد بازی‌های واقعی‌تر را دارد , اما دریافت جزئیات دقیق درست است . این به ویژه برای دریبل کردن بسکتبال است زیرا تماس بازیکنان با توپ , کوتاه و موقعیت انگشت بحرانی است . برخی از جزئیات مانند روشی که یک توپ می‌تواند به طور مختصر به چرخش ادامه دهد وقتی که تماس نور با دستان نوازنده ایجاد می‌کند , تولید دوباره آن دشوار است . و زمانی که توپ آزاد شود بازیکن باید پیش‌بینی کند که توپ چه موقع و کجا خواهد برگشت .
لیو و الیس تصمیم گرفتند از یادگیری تقویتی عمیق برای به کار انداختن این جزئیات مهم استفاده کنند . برنامه‌های هوش مصنوعی از این شکل از یادگیری عمیق برای تشخیص انواع بازی‌های ویدیویی استفاده کرده‌اند و این برنامه به خوبی از آن برای تسلط بر بازی تخته‌ای استفاده می‌کند .
داده‌های ثبت حرکت به عنوان ورودی از افرادی بود که کارهایی را انجام می‌دادند مانند چرخش توپ دور کمر , دریبل , در حالی که دویدن و دریبل زدن در مکان هم با دست‌راست و هم در هنگام تعویض دست‌ها . این داده‌ها شامل حرکت توپ نیستند که لیو توضیح می‌دهد ضبط دقیق مشکل است . در عوض , آن‌ها از بهینه‌سازی مسیر برای محاسبه محتمل‌ترین مسیر توپ برای حرکت دست داده‌شده استفاده کردند .
برنامه مهارت‌ها را در دو مرحله یاد گرفت - - اول بر حرکت تسلط داشت و سپس یاد گرفت چگونه دست‌ها و دست‌ها را کنترل کند و از طریق آن‌ها حرکت توپ را کنترل کند . این رویکرد جدا شده برای اعمال مانند دریبل یا شاید تردستی کافی است , که در آن تعامل بین کاراکتر و شی تاثیری بر تعادل کاراکتر ندارد . لیو گفت : کاره‌ای بیشتری برای پرداختن به ورزش مانند فوتبال مورد نیاز است که در آن تعادل به شدت با مانورهای بازی همراه است .

منبع