Todavía es fácil diferenciar los movimientos simulados por computadora de los reales, en la pantalla grande o en los videojuegos, humanos y animales simulados a menudo se mueven con torpeza, sin el ritmo y la fluidez de sus homólogos del mundo real.

Pero eso está cambiando. Universidad de California, Los investigadores de Berkeley ahora han hecho un gran avance en la animación por computadora realista, utilizando el aprendizaje por refuerzo profundo para recrear movimientos naturales, incluso para hazañas acrobáticas como break dance y artes marciales. Los personajes simulados también pueden responder de forma natural a los cambios en el entorno, como recuperarse de un tropiezo o ser apedreado por proyectiles.

"En realidad, este es un gran salto con respecto a lo que se ha hecho con el aprendizaje profundo y la animación. En el pasado, se ha trabajado mucho para simular movimientos naturales, pero estos métodos basados ​​en la física tienden a ser muy especializados; no son métodos generales que puedan manejar una gran variedad de habilidades, ", dijo el estudiante graduado de UC Berkeley, Xue Bin" Jason "Peng. Cada actividad o tarea generalmente requiere su propio controlador diseñado a medida.

"Desarrollamos agentes más capaces que se comportan de manera natural, ", dijo." Si comparas nuestros resultados con la captura de movimiento grabada por humanos, estamos llegando al punto en el que es bastante difícil distinguir los dos, para saber qué es simulación y qué es real. Nos estamos moviendo hacia un doble virtual ".

El trabajo también podría inspirar el desarrollo de habilidades motoras más dinámicas para los robots.

Un documento que describe el desarrollo ha sido aceptado condicionalmente para su presentación en la conferencia SIGGRAPH 2018 en agosto en Vancouver. Canadá, y se publicó en línea el 10 de abril. Los colegas de Peng en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación son el profesor Pieter Abbeel y el profesor asistente Sergey Levine, junto con Michiel van de Panne de la Universidad de Columbia Británica.

Mocap para DeepMimic

Las técnicas tradicionales de animación generalmente requieren diseñar controladores personalizados a mano para cada habilidad:un controlador para caminar, por ejemplo, y otro para correr, volteretas y otros movimientos. Estos controladores diseñados a mano pueden verse bastante bien, Dijo Peng.

Alternativamente, métodos de aprendizaje por refuerzo profundo, como GAIL, puede simular una variedad de habilidades diferentes utilizando un solo algoritmo general, pero sus resultados a menudo parecen muy poco naturales.

"La ventaja de nuestro trabajo, "Peng dijo, "es que podemos obtener lo mejor de ambos mundos. Tenemos un algoritmo único que puede aprender una variedad de habilidades diferentes, y producir movimientos que rivalizan, si no superan, el estado del arte en animación con controladores hechos a mano ".

Lograr esto, Peng obtuvo datos de referencia de clips de captura de movimiento (mocap) que demuestran más de 25 hazañas acrobáticas diferentes, como volteretas hacia atrás, volteretas kip-ups y bóvedas, además de una ejecución sencilla, lanzando y saltando. Después de proporcionar los datos de mocap a la computadora, Luego, el equipo permitió que el sistema, denominado DeepMimic, "practicara" cada habilidad durante aproximadamente un mes de tiempo simulado, un poco más de lo que un humano podría tardar en aprender la misma habilidad.

La computadora practicó 24 horas al día, 7 días a la semana, pasando por millones de pruebas para aprender a simular cada habilidad de manera realista. Aprendió a través de prueba y error:comparando su rendimiento después de cada prueba con los datos de mocap, y ajustar su comportamiento para que se asemeje más al movimiento humano.

"La máquina está aprendiendo estas habilidades completamente desde cero, incluso antes de que sepa caminar o correr, por lo que un mes podría no ser demasiado irrazonable, " él dijo.

La clave fue permitir que la máquina aprendiera de una manera que los humanos no aprenden. Por ejemplo, una voltereta hacia atrás implica tantos movimientos corporales individuales que una máquina puede seguir cayendo y nunca pasar de los primeros pasos. En lugar de, el algoritmo comienza a aprender en varias etapas de la voltereta hacia atrás, incluso en el aire, para aprender cada etapa del movimiento por separado y luego unirlas.

Asombrosamente, una vez entrenado, Los personajes simulados son capaces de lidiar y recuperarse de condiciones nunca antes vistas:correr por terrenos irregulares y dar patadas giratorias mientras son arrojados por proyectiles.

"Las recuperaciones vienen gratis del proceso de aprendizaje, "Dijo Peng.

Y el mismo método simple funcionó para las más de 25 habilidades.

"Cuando empezamos, pensamos en probar algo simple, como base para métodos posteriores, sin esperar que fuera a funcionar. Pero el método muy simple funciona realmente bien. Esto muestra que un enfoque simple puede realmente aprender un repertorio muy rico de habilidades acrobáticas y altamente dinámicas ".