--°--∫—Ä--Æ--∑—Å --ª—È—Å—Ã —Ñ —Ç—É--º--∞--Ω—Ã
一种新的人工智能系统已经开发出计算机动画特技演员，可以让动作电影比以往更酷。加州大学伯克利分校的研究人员已经开发出一种系统，能够重现武术中一些最简单的动作，有可能取代现实生活中的人类演员。
加州大学伯克利分校的研究生薛斌'杰森'彭说，这项技术导致了很难与人类分离的运动。
“这实际上是深度学习和动画方面的一次重大飞跃，”彭在8月份于8月在加拿大温哥华举行的2018年SIGGRAPH会议上发表的研究报告中说。 “在过去，很多工作已经用于模拟自然运动，但这些基于物理的方法往往非常专业;它们不是可以处理各种技能的通用方法。
“如果你将我们的结果与人类记录的动作捕捉进行比较，我们就会发现很难区分这两者，告诉我们什么是模拟，什么是真实的。我们正朝着虚拟替身演员迈进。“
该项目的一篇论文，名为DeepMimic，发表在期刊上 ACM Trans。图形 在八月。 9月，该团队在GitHub上提供了代码和动作捕捉数据供其他人试用。
该团队使用深度强化学习技术来教导系统如何移动。它从现实生活中获取动作捕捉数据，将它们输入系统并将其设置为在模拟中练习相当于一个月的动作，每天24小时训练。 DeepMimic学习了25种不同的动作，比如踢和后空翻，每次比较它的结果，看看它与原始mocap数据有多接近。
与可能反复尝试和失败的其他系统不同，DeepMimic将这一步骤分解为步骤，因此如果它在某一时刻失败，它可以分析其性能并相应地在适当的时刻进行调整。
“随着这些技术的进步，我认为他们将开始在电影中发挥越来越大的作用，”彭说 逆 。 “然而，由于电影通常不是互动的，因此这些模拟技术可能对游戏和VR产生更直接的影响。
“事实上，使用强化学习训练的模拟角色已经找到了通往游戏的方式。独立游戏可能是这些想法的一个非常好的试验场。但是，它们可能需要一段时间才能为AAA级游戏做好准备，因为使用模拟角色确实需要从传统的开发流程中进行相当大的转变。
游戏开发者开始尝试使用这些工具。一位开发人员设法在Unity游戏引擎中使用DeepMimic：
女士们，先生们，我们已经完成了Backflip！恭喜Ringo，又名StyleTransfer002.144 - 使用#unity3d + #MLAgents&#MarathonEnvs。 StyleTransfer从MoCap数据训练#ActiveRagoll，又名Deepmimic http://t.co/gAGtYYeawE … #madewithunity pic.twitter.com/3iIoDsfdLe
- Joe Booth（@iAmVidyaGamer）2018年11月1日
彭希望释放代码将加速其采用。他还指出，该团队“已经与一些游戏开发商和动画工作室讨论了这项工作的可能应用，但我还不能详细介绍这一点。”
机器经常在复杂的动作中挣扎，正如机器人在足球上轻轻翻滚而不是完成任何高辛烷值的动作所证明的那样。有进展的迹象，如A.I.掌握了现实世界运动的复杂性，并开始像人类一样纠正自己。
也许DeepMimic有朝一日可以在几秒钟内学会新动作，类似于Neo如何学习功夫 矩阵.
阅读下面的摘要。
角色动画的一个长期目标是将数据驱动的行为规范与可以在物理模拟中执行类似行为的系统相结合，从而实现对扰动和环境变化的真实响应。我们展示了众所周知的强化学习（RL）方法可以适用于学习能够模仿广泛的示例动作片段的强大控制策略，同时还学习复杂的恢复，适应形态的变化，以及完成用户指定的目标。我们的方法处理关键帧运动，高动态动作，如运动捕捉翻转和旋转，以及重定向运动。通过将运动模仿目标与任务目标相结合，我们可以训练在交互设置中智能反应的角色，例如，通过沿所需方向行走或将球投掷到用户指定的目标。因此，该方法结合了使用运动剪辑的便利性和运动质量来定义期望的样式和外观，具有由RL方法和基于物理的动画提供的灵活性和通用性。我们进一步探索了将多个片段集成到学习过程中的多种方法，以开发能够执行丰富多样技能的多技能代理。我们使用多个角色（人类，阿特拉斯机器人，双足恐龙，龙）和各种技能展示结果，包括运动，杂技和武术。