Basketbalspelers hebben veel oefening nodig voordat ze de dribbel onder de knie hebben, en het blijkt dat dat ook geldt voor computergeanimeerde spelers. Door gebruik te maken van diep versterkend leren, spelers in videobasketbalspellen kunnen inzichten halen uit motion capture-gegevens om hun dribbelvaardigheden aan te scherpen.

Onderzoekers van de Carnegie Mellon University en DeepMotion Inc., een Californisch bedrijf dat slimme avatars ontwikkelt, hebben voor het eerst een op fysica gebaseerd, real-time methode voor het besturen van geanimeerde karakters die dribbelvaardigheden uit ervaring kunnen leren. In dit geval, het systeem leert van motion capture van de bewegingen die worden uitgevoerd door mensen die basketballen.

Dit leerproces met vallen en opstaan ​​is tijdrovend, waarvoor miljoenen beproevingen nodig zijn, maar de resultaten zijn armbewegingen die nauw zijn gecoördineerd met fysiek plausibele balbewegingen. Spelers leren tussen hun benen te dribbelen, achter hun rug dribbelen en crossover moves doen, en hoe u van de ene vaardigheid naar de andere kunt overstappen.

"Als de vaardigheden eenmaal zijn geleerd, nieuwe bewegingen kunnen veel sneller worden gesimuleerd dan realtime, " zei Jessica Hodgins, Carnegie Mellon hoogleraar informatica en robotica.

Hodgins en Libin Liu, hoofdwetenschapper bij DeepMotion, zal de methode presenteren op SIGGRAPH 2018, de conferentie over computergraphics en interactieve technieken, 12-18 augustus, in Vancouver.

"Dit onderzoek opent de deur naar het simuleren van sporten met bekwame virtuele avatars, " zei Liu, de eerste auteur van het rapport. "De technologie kan worden toegepast buiten sportsimulatie om meer interactieve personages voor gaming te creëren, animatie, bewegingsanalyse, en in de toekomst, robotica."

Motion capture-gegevens voegen al realisme toe aan ultramoderne videogames. Maar deze spellen bevatten ook verontrustende artefacten, Liu merkte op, zoals ballen die onmogelijke banen volgen of die aan de hand van een speler lijken te kleven.

Een op fysica gebaseerde methode heeft het potentieel om meer realistische games te maken, maar het is moeilijk om de subtiele details goed te krijgen. Dat is vooral het geval bij het dribbelen met een basketbal, omdat het contact van de speler met de bal kort is en de vingerpositie van cruciaal belang is. enkele details, zoals de manier waarop een bal kort kan blijven ronddraaien wanneer hij licht contact maakt met de handen van de speler, zijn moeilijk te reproduceren. En als de bal eenmaal is losgelaten, de speler moet anticiperen wanneer en waar de bal zal terugkeren.

Liu en Hodgins kozen ervoor om diepgaande versterkingsleer te gebruiken om het model in staat te stellen deze belangrijke details op te pikken. Programma's voor kunstmatige intelligentie hebben deze vorm van diep leren gebruikt om een ​​verscheidenheid aan videogames te ontdekken en het AlphaGo-programma gebruikte het om het bordspel Go onder de knie te krijgen.

De motion capture-gegevens die als invoer werden gebruikt, waren van mensen die dingen deden zoals de bal rond de taille draaien, dribbelen tijdens het rennen en dribbelen zowel met de rechterhand als tijdens het wisselen van hand. Deze opnamegegevens omvatten niet de balbeweging, die Liu heeft uitgelegd, is moeilijk nauwkeurig vast te leggen. In plaats daarvan, ze gebruikten trajectoptimalisatie om de meest waarschijnlijke paden van de bal voor een bepaalde handbeweging te berekenen.

Het programma leerde de vaardigheden in twee fasen:eerst beheerste het motoriek en leerde toen hoe de armen en handen te besturen en, door hen, de beweging van de bal. Deze ontkoppelde aanpak is voldoende voor acties zoals dribbelen of misschien jongleren, waarbij de interactie tussen het personage en het object geen effect heeft op de balans van het personage. Er is meer werk nodig om sport, zoals voetbal, waar balans nauw is gekoppeld aan spelmanoeuvres, zei Liu.