人工智能成游戏开发神器，让游戏角色的动作更加自然

本篇文章1843字，读完约5分钟

雷锋网记者:每当我们在游戏中谈论人工智能的时候，我们通常会想到更现实的敌人，也就是不会等着被打败的NPC。然而，新的研究表明，在复杂的游戏环境中，神经网络驱动的人工智能也能实时调整玩家角色行为的真实性，这不能说是革命性的。本文由雷锋(公开号:雷锋)从arstechnica编辑。

相位函数神经网络是一种全新的控制游戏角色的方法。这项技术将于今年夏天在美国计算机协会的siggraph会议上展示。

在大多数游戏中，游戏角色的动画都是预先用动作捕捉来封装的，这意味着玩家会看到同一个动作在游戏中出现上千次，这真的很无聊。“我们的系统完全不同。”爱丁堡大学的研究员丹尼尔·霍尔登在接受采访时说。

他说:“我们将首先准备一个巨大的动画数据库。”“然后我们将使用机器学习来构建一个系统，该系统可以将用户的输入直接映射到游戏角色的动作上。因此，与存储所有数据并根据特定指令呈现数据不同，我们的系统可以根据用户输入直接生成相应的动画效果。”

这个系统的有效性是显而易见的。在演示视频中，即使背景地形相当复杂，戴着三角帽的游戏角色也能做出许多自由自然的动作。

游戏角色的动作很自然

事实上，演示视频中最令人惊讶的场景出现在2:27，当时游戏角色正在岩石区移动。它需要“攀爬和保持平衡，它需要在某些地方跳跃。”起飞前，角色实际上会挥动手臂为身体储存能量。同时，他会根据运动方向和环境调整膝盖和腿的运动范围，他的手会改变姿势以保持平衡。雷锋。com注意到，当前方不远处有一堵墙时，角色会自然减速，而不是全速前进，然后猛踩刹车。

虽然这些动作似乎是无意中做出的，但动画效果确实比传统的动作捕捉高出几个位置。在短短几分钟的演示视频中，你可以看到许多如此栩栩如生的小动作，其中绝对充满了细节。

学习如何移动神经网络来生成新的动画

这个演示视频背后实际上是霍尔登和他的同事在两个小时内获得的1.5gb的运动捕捉数据。之后，神经网络使用这些数据独立训练30个小时，并且通常学会如何重组这些通过动作捕捉获得的动画，并将它们应用到游戏场景中。

“神经网络的加入使角色呈现出姿势的一个组成部分，而玩家的输入随机地组合了这些组成部分。”霍尔登解释道。

这样，角色可以做出的动作输出比早期阶段直接打包的动作输出要多得多。以从窗台上跳下的动作为例，传统的动画系统会直接加载“从窗台上跳下”的动画文件，而神经网络会从数据库中相似场景的数据中推断出肢体的不同动作，并融合这些数据完成最终的动作输出。

霍尔登解释说，以这种方式存储在神经网络中的1.5gb训练数据只需要几十兆空。“动画数据被压缩成神经网络的权重。如果数据库中的每个姿势都可以分解成几个分量的加权和，那么神经网络就可以很容易地学习并大大压缩数据量。”

其他动画处理方法也可以混合不同的动作捕捉“场景”，并在新环境中使用它们。但是，这些方法需要在本地存储大量数据，这会降低系统速度。最近的一些研究表明，如果其他基于神经网络的动画模型不添加周期性阶段来辅助混合过程，所产生的动画将是相当粗糙和不自然的。

霍尔登说，用神经网络来改变动作捕捉动画可能会得到一些意想不到的结果。例如，研究人员没有为在崎岖地形上蹲下和行走的角色提供特殊的动作捕捉数据，但是系统学会了如何自己处理这种情况，它将在平坦地形上蹲下和在崎岖地形上行走和跑步结合起来。

未经训练的角色学会了新的动作

霍尔登认为，尽管这一系统“自我发展”的新动作不是很自然，但效果是完全可以接受的。此外，系统可能学到了很多我们没有意识到的能力，但神经网络也有局限性。在研究中，霍尔登发现，如果地形太陡，动画会完全崩溃，“除非你给他一组你不确定的数据。”

使用人工智能处理角色动画有其优势，但霍尔登遇到了许多困难。首先，30小时的训练时间是个大麻烦，尤其是如果你想补充一些动作的话。此外，负责动作设计的艺术家不能直接润色神经网络的输出，这在传统方式中非常重要。最后，虽然神经网络可以实时反应，但1秒钟的时间消耗没有预先录制的动画快(霍尔登认为我们将来肯定能找到加快速度的方法)。

雷注意到霍尔登已经加入了育碧的团队，所以他不愿透露他的解决方案将用于哪款游戏。然而，我们希望他的研究成果能尽快应用到游戏中，从而让我们远离那些行动僵硬的愚蠢的NPC。

与此同时，这项研究也让我们怀疑，也许在不久的将来，神经网络会给游戏开发带来新的革命性成果。

via.arstechnica

雷锋文章版权所有。严禁擅自转载。详情请参考转载说明。

来源：搜狐微门户