Kecerdasan Buatan di Kehidupan Sehari-hari
Sebuah sistem kecerdasan buatan baru telah mengembangkan stuntmen animasi komputer yang dapat membuat film aksi lebih keren dari sebelumnya. Para peneliti di University of California, Berkeley telah mengembangkan sistem yang mampu menciptakan kembali beberapa gerakan paling licin dalam seni bela diri, dengan potensi untuk menggantikan aktor manusia nyata.
Mahasiswa pascasarjana UC Berkeley, Xue Bin ‘Jason’ Peng mengatakan teknologi ini menghasilkan gerakan yang sulit dipisahkan dari manusia.
"Ini sebenarnya lompatan yang cukup besar dari apa yang telah dilakukan dengan pembelajaran dan animasi yang mendalam," kata Peng dalam pernyataan yang dirilis dengan penelitiannya yang dipresentasikan pada konferensi SIGGRAPH 2018 pada bulan Agustus di Vancouver, Kanada pada bulan Agustus. “Di masa lalu, banyak pekerjaan telah dilakukan untuk mensimulasikan gerakan alami, tetapi metode berbasis fisika ini cenderung sangat khusus; itu bukan metode umum yang dapat menangani berbagai macam keterampilan.
“Jika Anda membandingkan hasil kami dengan penangkapan gerak yang direkam dari manusia, kami sampai pada titik di mana cukup sulit untuk membedakan keduanya, untuk mengetahui apa yang simulasi dan apa yang nyata. Kami bergerak menuju stuntman virtual."
Sebuah makalah tentang proyek tersebut, dijuluki DeepMimic, diterbitkan dalam jurnal ACM Trans. Grafik di Agustus. Pada bulan September, tim membuat kode dan data penangkapan geraknya tersedia di GitHub untuk dicoba oleh orang lain.
Tim menggunakan teknik pembelajaran penguatan yang dalam untuk mengajarkan sistem bagaimana cara bergerak. Butuh data penangkapan gerak dari pertunjukan kehidupan nyata, memasukkan mereka ke dalam sistem dan mengaturnya untuk berlatih gerakan dalam simulasi untuk setara dengan satu bulan penuh, pelatihan 24 jam per hari. DeepMimic mempelajari 25 gerakan berbeda seperti menendang dan membalik, membandingkan hasilnya setiap kali melihat seberapa dekat dengan data mocap asli.
Tidak seperti sistem lain yang mungkin telah mencoba dan gagal berulang kali, DeepMimic memecah langkah menjadi langkah-langkah sehingga jika gagal pada satu titik, itu bisa menganalisis kinerjanya dan menyesuaikan pada saat yang tepat.
"Ketika teknik-teknik ini berkembang, saya pikir mereka akan mulai memainkan peran yang lebih besar dan lebih besar dalam film," kata Peng Terbalik. “Namun karena film umumnya tidak interaktif, teknik simulasi ini mungkin memiliki dampak langsung pada game dan VR.
“Faktanya, karakter simulasi yang dilatih menggunakan penguatan pembelajaran sudah menemukan jalan mereka ke permainan. Game indie bisa menjadi ajang pengujian yang sangat bagus untuk ide-ide ini. Tapi mungkin butuh waktu lebih lama sebelum mereka siap untuk judul AAA, karena bekerja dengan karakter simulasi memang membutuhkan perubahan drastis dari jalur pengembangan tradisional. ”
Pengembang game mulai bereksperimen dengan alat-alat ini. Satu pengembang berhasil menggunakan DeepMimic di dalam mesin game Unity:
Saudara-saudara, kami telah menyelesaikan Backflip! Selamat kepada Ringo, alias StyleTransfer002.144 - menggunakan # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer melatih #ActiveRagoll dari data MoCap alias Deepmimic http://t.co/gAGtYYeawE… #madewithunity pic.twitter.com/3iIoDsfdLe
- Joe Booth (@iAmVidyaGamer) 1 November 2018
Peng berharap bahwa merilis kode akan mempercepat pengadopsiannya. Dia juga mencatat bahwa tim “telah berbicara dengan sejumlah pengembang game dan studio animasi tentang kemungkinan aplikasi pekerjaan ini, meskipun saya belum bisa merinci terlalu banyak tentang hal itu.”
Mesin secara teratur berjuang dengan gerakan kompleks, seperti yang ditunjukkan oleh robot bermain sepak bola yang dengan lembut jatuh di rumput bukannya menyelesaikan gerakan oktan tinggi. Ada tanda-tanda kemajuan, seperti A.I. mulai memahami kompleksitas gerakan dunia nyata dan mulai mengoreksi diri mereka lebih seperti manusia.
Mungkin DeepMimic suatu hari bisa belajar langkah baru dalam hitungan detik, mirip dengan bagaimana Neo belajar kung fu Matriks.
Baca abstrak di bawah ini.
Tujuan yang sudah lama ada dalam animasi karakter adalah menggabungkan spesifikasi perilaku berdasarkan data dengan sistem yang dapat menjalankan perilaku serupa dalam simulasi fisik, sehingga memungkinkan respons realistis terhadap gangguan dan variasi lingkungan. Kami menunjukkan bahwa metode penguatan pembelajaran yang terkenal (RL) dapat diadaptasi untuk mempelajari kebijakan kontrol yang kuat yang mampu meniru berbagai contoh klip gerak, sementara juga mempelajari pemulihan yang kompleks, beradaptasi dengan perubahan dalam morfologi, dan mencapai tujuan yang ditentukan pengguna. Metode kami menangani gerakan keyframed, aksi yang sangat dinamis seperti flips dan spin yang ditangkap gerakan, dan gerakan retargeted. Dengan menggabungkan tujuan gerak-imitasi dengan tujuan tugas, kita dapat melatih karakter yang bereaksi secara cerdas dalam pengaturan interaktif, misalnya, dengan berjalan ke arah yang diinginkan atau melempar bola ke target yang ditentukan pengguna. Pendekatan ini dengan demikian menggabungkan kenyamanan dan kualitas gerak menggunakan klip gerak untuk menentukan gaya dan penampilan yang diinginkan, dengan fleksibilitas dan generalitas yang diberikan oleh metode RL dan animasi berbasis fisika. Kami lebih lanjut mengeksplorasi sejumlah metode untuk mengintegrasikan beberapa klip ke dalam proses pembelajaran untuk mengembangkan agen multi-terampil yang mampu melakukan repertoar kaya beragam keterampilan. Kami mendemonstrasikan hasil menggunakan beberapa karakter (manusia, robot Atlas, dinosaurus bipedal, naga) dan berbagai keterampilan, termasuk penggerak, akrobat, dan seni bela diri.
Hari Groundhog Harus Dihancurkan dan Diganti Dengan Hari Marmot
Groundhog Day terjadi setiap tahun pada tanggal 2 Februari, tetapi tidak cukup membayar upeti kepada tikus yang menakjubkan ini. Itu sebabnya kami mengusulkan Hari Marmot
'Karbon Yang Diubah' Musim 2: Satu Aktor Mungkin Tidak Akan Kembali
Aktor utama 'Altered Carbon' disewa pada acara baru di Amazon, yang berarti bahwa kita mungkin tidak melihat Takeshi Kovacs yang sama - yang merupakan hal yang baik.
Mengapa 'Hari Libur Ferris Bueller' Tidak Mungkin Dibentuk Kembali Hari Ini
Seorang pemuda yang bijak pernah berkata, "Hidup bergerak sangat cepat; jika Anda tidak berhenti dan melihat-lihat sesekali, Anda bisa melewatkannya." Selama beberapa dekade, para penonton telah mengindahkan nasihatnya dan dengan penuh semangat menyaksikan film klasik penulis / sutradara John Hughes, Ferris Bueller's Day Off sejak dirilis pada 11 Juni 1986. Seperti di sebagian besar ...