Una parte clave para dar vida a los personajes animados en 3-D es la capacidad de representar sus movimientos físicos de forma natural en cualquier escena o entorno.

Animar personajes para que interactúen de forma natural con los objetos y el entorno requiere sintetizar diferentes tipos de movimientos de manera compleja, y tales movimientos pueden diferir mucho no solo en sus posturas, pero también en su duración, patrones de contacto, y posibles transiciones. Hasta la fecha, la mayoría de los métodos basados ​​en el aprendizaje automático para el control de movimiento de personajes fácil de usar se han limitado a acciones más simples o movimientos únicos, como ordenar a un personaje animado que se mueva de un punto al siguiente.

Informáticos de la Universidad de Edimburgo y Adobe Research, el equipo de científicos e ingenieros de investigación de la empresa que da forma a las ideas iniciales en tecnologías innovadoras, he desarrollado una novela, técnica basada en datos que utiliza redes neuronales profundas para guiar con precisión a los personajes animados al inferir una variedad de movimientos:sentarse en sillas, recogiendo objetos, corriendo, dar pasos a un lado, trepando obstáculos y puertas, y lo logra de una manera fácil de usar con simples comandos de control.

Los investigadores demostrarán su trabajo, Máquina de estado neuronal para interacciones entre personajes y escenas, en ACM SIGGRAPH Asia, celebrada del 17 al 20 de noviembre en Brisbane, Australia. SIGGRAPH Asia, ahora en su duodécimo año, atrae a las personas técnicas y creativas más respetadas de todo el mundo en gráficos por computadora, animación, interactividad, juego de azar, y tecnologías emergentes.

Para animar las interacciones entre personajes y escenas con los objetos y el entorno, hay dos aspectos principales, planificación y adaptación, a considerar, dicen los investigadores. Primero, para completar una tarea determinada, como sentarse en sillas o recoger objetos, el personaje necesita planificar y hacer la transición a través de un conjunto de diferentes movimientos. Por ejemplo, esto puede incluir empezar a caminar, Ralentizando, darse la vuelta mientras coloca los pies con precisión e interactúa con el objeto, antes de continuar finalmente con otra acción. Segundo, el personaje necesita adaptar naturalmente el movimiento a las variaciones en la forma y el tamaño de los objetos, y evitar obstáculos en su camino.

"Lograr esto en calidad lista para producción no es sencillo y requiere mucho tiempo. Nuestra máquina de estado neuronal, en cambio, aprende el movimiento y las transiciones de estado requeridas directamente desde la geometría de la escena y una acción de objetivo determinada, "dice Sebastian Starke, autor principal de la investigación y Ph.D. estudiante de la Universidad de Edimburgo en el laboratorio de Taku Komura. "Junto con eso, nuestro método es capaz de producir múltiples tipos diferentes de movimientos y acciones en alta calidad desde una sola red ".

Usando datos de captura de movimiento, El marco de trabajo de los investigadores aprende cómo hacer la transición más natural del personaje de un movimiento al siguiente, por ejemplo, poder pasar por encima de un obstáculo que bloquea una puerta, y luego atravesar la puerta, o tomar una caja y luego llevarla para colocarla en una mesa o escritorio cercano.

La técnica infiere la siguiente pose del personaje en la escena en función de su pose anterior y la geometría de la escena. Otro componente clave del marco de trabajo de los investigadores es que permite a los usuarios controlar interactivamente y navegar por el personaje desde simples comandos de control. Adicionalmente, no es necesario mantener todos los datos originales capturados, que, en cambio, es fuertemente comprimido por la red mientras mantiene el contenido importante de las animaciones.

"La técnica esencialmente imita cómo un ser humano se mueve intuitivamente a través de una escena o entorno y cómo interactúa con los objetos, de manera realista y precisa, "dice Komura, coautor y presidente de infografía en la Universidad de Edimburgo.

Por el camino, los investigadores tienen la intención de trabajar en otros problemas relacionados en la animación de personajes basada en datos, incluyendo movimientos en los que pueden ocurrir múltiples acciones simultáneamente, o animando interacciones de personajes cercanos entre dos humanos o incluso multitudes.