Cómo un equipo aprende a driblar: practicar, practicar, practicar. Aprendizaje profundo refuerzo hace videojuegos baloncesto parezca más realista

Investigadores de la Universidad Carnegie Mellon y DeepMotion Inc., una empresa de California que desarrolla avatares inteligentes, tienen por primera vez desarrolló un método basado en la física y en tiempo real para el control de personajes animados que pueden aprender habilidades de regate de experiencia. En este caso, el sistema aprende de captura de movimiento de los movimientos realizados por personas botando pelotas.

Este proceso de aprendizaje de ensayo y error es lento, requiriendo millones de ensayos, pero los resultados son los movimientos de brazo que son coordinados con el movimiento bola físicamente plausible. Los jugadores aprender a driblar entre sus piernas, Driblar a sus espaldas y hacer movimientos de cruce, así como a la transición de una habilidad a otro.

“Una vez que se aprenden las habilidades, nuevos movimientos se pueden simular mucho más rápido que en tiempo real,” dijo Jessica Hodgins, profesor de Carnegie Mellon de Ciencias de la computación y la robótica.

Hodgins y Libin Liu, científico jefe en el DeepMotion, presenta el método en SIGGRAPH 2018, la Conferencia sobre gráficos de computadora y técnicas interactivas, agosto 12-18, en Vancouver.

“Esta investigación abre la puerta a simular deportes con expertos avatares virtuales,”, dijo Liu, primer autor del informe. “La tecnología puede ser aplicada más allá de la simulación del deporte para crear personajes más interactivas para juegos, animación, análisis de movimiento y en el futuro, la robótica”.

Datos de captura de movimiento ya añadir realismo a los videojuegos de vanguardia. Pero estos juegos también incluyen artefactos desconcertantes, Liu destacó, como bolas que siguen trayectorias imposibles o que parece pegarse a la mano de un jugador.

Un método basado en la física tiene el potencial para crear juegos más realistas, pero acertar con los detalles sutiles es difícil. Eso es especialmente así que botando una pelota de baloncesto porque es breve contacto del jugador con el balón y posición es crítica. Algunos detalles, como la forma de que una bola puede seguir girando brevemente cuando hace contacto de luz con las manos del jugador, son difíciles de reproducir. Y una vez que el balón sea liberado, el jugador tiene que anticipar Cuándo y dónde la bola volverá.

Liu y Hodgins optó por utilizar refuerzo profundo aprendizaje permitir que el modelo recoger estos detalles importantes. Programas de inteligencia artificial han utilizado esta forma de aprendizaje profundo para una gran variedad de juegos de video y el programa de AlphaGo famoso empleó a dominar el juego de mesa Go.

Los datos de captura de movimiento utilizados como entrada de gente haciendo cosas como girar el balón alrededor de la cintura, botando mientras corriendo y botando en el lugar con la mano derecha y mientras cambia de manos. Esta captura de datos no incluye el movimiento de la bola, que es difícil registrar con precisión, explicó Liu. En cambio, utiliza optimización de trayectoria para calcular rutas más probables de la pelota para un movimiento de la mano dado.

El programa aprendido el oficio en dos etapas, primero dominó locomoción y luego aprendió a controlar los brazos y las manos y, a través de ellos, el movimiento de la bola. Este enfoque desconectada es suficiente para acciones como goteo o tal vez malabares, donde la interacción entre el carácter y el objeto no tiene un efecto sobre el equilibrio del personaje. Trabajo adicional es necesario para deportes de dirección, como el fútbol, donde equilibrio firmemente es junto con maniobras de juego, dijo Liu.