Sådan lærer en computer at drible:Øv, øve sig, øve sig

Basketballspillere har brug for masser af øvelse, før de mestrer driblingen, og det viser sig, at det også gælder for computeranimerede afspillere. Ved at bruge dyb forstærkende læring, spillere i videobasketballspil kan få indsigt fra motion capture-data for at skærpe deres driblingsevner.

Forskere ved Carnegie Mellon University og DeepMotion Inc., et californisk firma, der udvikler smarte avatarer, har for første gang udviklet en fysik-baseret, realtidsmetode til at styre animerede karakterer, der kan lære at drible af erfaring. I dette tilfælde, systemet lærer fra motion capture af bevægelser udført af mennesker, der dribler basketball.

Denne trial-and-error-læringsproces er tidskrævende, kræver millioner af forsøg, men resultaterne er armbevægelser, der er tæt koordineret med fysisk plausibel boldbevægelse. Spillere lærer at drible mellem deres ben, drible bag deres ryg og lave crossover-bevægelser, samt hvordan man skifter fra en færdighed til en anden.

"Når færdighederne er lært, nye bevægelser kan simuleres meget hurtigere end i realtid, " sagde Jessica Hodgins, Carnegie Mellon professor i datalogi og robotteknologi.

Hodgins og Libin Liu, chefforsker hos DeepMotion, vil præsentere metoden på SIGGRAPH 2018, konferencen om computergrafik og interaktive teknikker, 12-18 august, i Vancouver.

"Denne forskning åbner døren til at simulere sport med dygtige virtuelle avatarer, " sagde Liu, rapportens første forfatter. "Teknologien kan anvendes ud over sportssimulering for at skabe mere interaktive karakterer til spil, animation, bevægelsesanalyse, og i fremtiden, robotteknologi."

Motion capture-data tilføjer allerede realisme til state-of-the-art videospil. Men disse spil inkluderer også foruroligende artefakter, Liu bemærkede, såsom bolde, der følger umulige baner, eller som ser ud til at klæbe til en spillers hånd.

En fysikbaseret metode har potentialet til at skabe mere realistiske spil, men at få de subtile detaljer rigtige er svært. Det gælder især for at drible en basketball, fordi spillerens kontakt med bolden er kort, og fingerpositionen er kritisk. Nogle detaljer, såsom den måde en bold kan fortsætte med at dreje kortvarigt, når den får let kontakt med spillerens hænder, er svære at reproducere. Og når først bolden er sluppet, spilleren skal forudse, hvornår og hvor bolden vender tilbage.

Liu og Hodgins valgte at bruge dyb forstærkningslæring for at sætte modellen i stand til at opfange disse vigtige detaljer. Kunstig intelligens-programmer har brugt denne form for dyb læring til at finde ud af en række forskellige videospil, og AlphaGo-programmet brugte det berømt til at mestre brætspillet Go.

De motion capture-data, der blev brugt som input, var af folk, der gjorde ting som at dreje bolden rundt om taljen, drible mens du løber og drible på plads både med højre hånd og mens du skifter hænder. Disse fangstdata inkluderede ikke boldbevægelsen, som Liu forklarede er svært at registrere nøjagtigt. I stedet, de brugte baneoptimering til at beregne boldens mest sandsynlige baner for en given håndbevægelse.

Programmet lærte færdighederne i to trin - først mestrede det bevægelse og lærte derefter at kontrollere arme og hænder og, gennem dem, boldens bevægelse. Denne afkoblede tilgang er tilstrækkelig til handlinger som dribling eller måske jonglering, hvor interaktionen mellem karakteren og objektet ikke har en effekt på karakterens balance. Der kræves yderligere arbejde for at adressere sport, såsom fodbold, hvor balancen er tæt forbundet med spilmanøvrer, sagde Liu.