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 می کند . با استفاده از یادگیری تقویتی عمیق , بازیکنان در بازی های بسکتبال ویدئو می توانند بینش هایی را از داده های ثبت حرکت جمع آوری کنند تا مهارت های 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 می کند . با استفاده از یادگیری تقویتی عمیق , بازیکنان در بازی های بسکتبال ویدئو می توانند بینش هایی را از داده های ثبت حرکت جمع آوری کنند تا مهارت های دریبل خود را تیز کنند .

 

 

تاثیر صحنه های جرم در سریال های آمریکایی

افزایش اپیدمی کوکائینی در آمریکا

ضد افسردگی بوپروپیون

مشکلات نوجوانان آمریکای جنوبی

افسردگی دانشجویان همجنسگرا در آمریکا

نسبت بالای زنان واجد شرایط جراحی

محققان در دانشگاه کارنگی ملون و یک شرکت در کالیفرنیا برای اولین بار یک روش مبتنی بر فیزیک برای کنترل شخصیت های کارتونی که می توانند مهارت های دریبل از تجربه را یاد بگیرند تهیه کرده اند . در این مورد , سیستم از ثبت حرکتی حرکات انجام شده توسط افراد دریبل سرعتی یاد می گیرد .
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 , می گوید : " زمانی که مهارت ها آموخته شوند , حرکات جدید بسیار سریع تر از زمان واقعی شبیه سازی می شوند . "
لیو و لیو لیو , دانشمند ارشد دانشگاه , این روش را در کنفرانس , کنفرانس در زمینه گرافیک رایانه ای و تکنیک های تعاملی , در ونکوور بیان خواهد کرد .
" این فن آوری می تواند فراتر از شبیه سازی ورزشی برای ایجاد شخصیت های تعاملی بیشتر برای بازی , انیمیشن , تحلیل حرکت و در آینده , رباتیک اعمال شود . "
داده های ثبت حرکت هم اکنون رئالیسم را به بازی های ویدیویی هنری اضافه می کنند . لیو اشاره کرد که اما این بازی ها همچنین شامل چیزهای نگران کننده ای است .
یک روش مبتنی بر فیزیک پتانسیل ایجاد بازی های واقعی تر 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 می تواند به طور مختصر به چرخش ادامه دهد وقتی که تماس نور با دستان نوازنده ایجاد می کند , تولید دوباره آن دشوار است . و زمانی که توپ آزاد شود بازیکن باید پیش بینی 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 . برنامه های هوش مصنوعی از این شکل از یادگیری عمیق برای تشخیص انواع بازی های ویدیویی استفاده کرده اند و این برنامه به خوبی از آن برای تسلط بر بازی تخته ای استفاده می کند .
داده های ثبت حرکت به عنوان ورودی از افرادی بود که کارهایی را انجام می دادند مانند چرخش توپ دور کمر , دریبل , در حالی که دویدن و دریبل زدن در مکان هم با دست راست و هم در هنگام تعویض دست ها . این داده ها شامل حرکت توپ نیستند که لیو توضیح می دهد ضبط دقیق مشکل است . در عوض , آن ها از بهینه سازی مسیر برای محاسبه محتمل ترین مسیر توپ برای حرکت دست داده شده استفاده کردند .
برنامه مهارت ها را در دو مرحله یاد گرفت - - اول بر حرکت تسلط داشت و سپس یاد گرفت چگونه دست ها و دست ها را کنترل کند و از طریق آن ها 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 : کاره ای بیشتری برای پرداختن به ورزش مانند فوتبال مورد نیاز است که در آن تعادل به شدت با مانورهای بازی همراه است .

 

آسیب ناشی از ورزش

شبکه های ذهنی بیماران اوتیسم

دستورالعمل های مواجهه با مصدومیت

قوانین سلامت ضربه مغزی

مشاوره اختلالات روانشناسی

فنون مذاکره

 

منبع

مشاوره روانشناسی...