ভিডিও: স্টান্ট অভিনেতা এই এআই দ্বারা প্রতিস্থাপিত হতে পারে। প্রযুক্তি একদিন শীঘ্রই

একটি নতুন কৃত্রিম বুদ্ধিমত্তা সিস্টেম কম্পিউটার-অ্যানিমেটেড স্টান্টম্যানদের উন্নত করেছে যা আগের চেয়ে অ্যাকশন মুভিগুলি শীতল করতে পারে। ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়ের ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়ের গবেষকরা মার্শাল আর্টগুলির মধ্যে কিছু ধীরে ধীরে চলতে সক্ষম হয়েছেন, বাস্তব জীবনে মানব অভিনেতাদের প্রতিস্থাপন করার সম্ভাবনা রয়েছে।

ইউসি বার্কলে স্নাতকোত্তর ছাত্র জিউ বিন 'জেসন' পেইং বলেছেন যে মানবতার থেকে আলাদা হওয়া আন্দোলনগুলির প্রযুক্তিগত ফলাফলগুলি।

আগস্ট মাসে কানাডার ভ্যাঙ্কুভারে অগাস্ট মাসে ২018 সালের সিআইজিগ্রাফ সম্মেলনের সময় প্রকাশিত এক গবেষণায় প্রকাশিত এক বিবৃতিতে তিনি বলেন, "আসলে এটি গভীর শিক্ষার এবং অ্যানিমেশনের সাথে কী করা হয়েছে তা থেকে একটি বেশ বড় লাফ।" "অতীতে, বেশিরভাগ কাজই স্বাভাবিক গতিবেগকে সিমুলিয়ে চলে গেছে, কিন্তু এই পদার্থবিজ্ঞান-ভিত্তিক পদ্ধতিগুলি খুব বিশেষ বলে মনে হয়; তারা সাধারণ পদ্ধতি নয় যা দক্ষতার একটি বড় ধরণের পরিচালনা করতে পারে।

"যদি আপনি আমাদের ফলাফলকে মানুষের কাছ থেকে রেকর্ড গতি-ক্যাপচারের সাথে তুলনা করেন, তবে আমরা সেই বিন্দুতে পৌঁছেছি যেখানে সিমুলেশন কি এবং কী বাস্তব তা বলতে পারার পক্ষে দুটি কঠিন পার্থক্য। আমরা একটি ভার্চুয়াল স্টান্টম্যান দিকে চলন্ত করছি।"

প্রবন্ধটির একটি প্রবন্ধ, ডীপমিমিক ডাব্লু, জার্নালে প্রকাশিত হয়েছিল এসিএম ট্রান্স। চিত্রলেখ আগস্টে. সেপ্টেম্বরে, দলটি চেষ্টা করার জন্য GitHub এ তার কোড এবং গতি ক্যাপচার তথ্য উপলব্ধ করেছে।

দলটি কীভাবে সরানো যায় তা শেখানোর জন্য গভীর শক্তিবৃদ্ধি শেখার কৌশলগুলি ব্যবহার করেছিল। এটি বাস্তব জীবনের পারফরম্যান্স থেকে গতি ক্যাপচার তথ্য গ্রহণ করে, সিস্টেমটিতে তাদের খাওয়ানো এবং এটি একটি সিমুলেশন-এ চলাকালীন পুরো মাসের সমতুল্য অনুশীলনের জন্য সেট করে, প্রতিদিন 24 ঘন্টা প্রশিক্ষণ দেয়। DeepMimic লাঠি এবং ব্যাকফ্লিপের মত 25 টি ভিন্ন পদক্ষেপ শিখেছে, এটি আসল মোক্যাপ ডেটা কত কাছে আসে তা দেখার জন্য প্রতিটি সময় তার ফলাফল তুলনা করে।

অন্যান্য পদ্ধতির বিপরীতে যেগুলি বার বার চেষ্টা এবং ব্যর্থ হতে পারে, ডীপমিমিক ধাপে ধাপটি ভেঙ্গে ফেলে যাতে এটি এক মুহুর্তে ব্যর্থ হয় তবে এটি তার কার্যকারিতা বিশ্লেষণ করে এবং সঠিক মুহূর্তে তা পরিবর্তন করতে পারে।

"এই কৌশলগুলি অগ্রগতি হিসাবে, আমি মনে করি তারা সিনেমাগুলিতে বড় এবং বড় ভূমিকা পালন করতে শুরু করবে", পেইং বলেছেন বিপরীত । "যদিও চলচ্চিত্রগুলি সাধারণত ইন্টারেক্টিভ না হয় তবে এই সিমুলেশন কৌশলগুলি গেম এবং ভিআর-তে আরও তাত্ক্ষণিক প্রভাব ফেলতে পারে।

"আসলে, শক্তিবৃদ্ধি শেখার ব্যবহার করে প্রশিক্ষিত সিমুলেটেড চরিত্র ইতিমধ্যে গেমগুলিতে তাদের পথ খুঁজে পাচ্ছে। Indie গেম এই ধারনা জন্য একটি খুব চমৎকার টেস্টিং স্থল হতে পারে। কিন্তু এটি এএএ শিরোনামগুলির জন্য প্রস্তুত হওয়ার কিছুটা সময় নিতে পারে, কারণ সিমুলেটেড অক্ষরগুলির সাথে কাজ করার ফলে প্রথাগত উন্নয়ন পাইপলাইনগুলি থেকে একটি চমত্কার কঠোর পরিবর্তন প্রয়োজন।"

গেম ডেভেলপারদের এই সরঞ্জাম দিয়ে পরীক্ষা শুরু করা হয়। এক বিকাশকারী ইউনিটি গেম ইঞ্জিনের ভিতরে ডীপমিমিক ব্যবহার করতে সক্ষম হন:

মহিলা ও জেন্টলম্যান, আমরা ব্যাকফ্লিপ সম্পন্ন করেছি! রিঙ্গোতে অভিনন্দন, আকাশ স্টাইল ট্রান্সফার 002.144 - # ইউনিটি 3 ডি + # এমএমএএজেন্টস এবং # মারথন এনভেস ব্যবহার করে। স্টাইল ট্রান্সফার ট্রেন ট্রেন ট্রেনের একটি # অ্যাক্টিভ র্যাগল MoCap ডেটা উর ডিপমিমিক http://t.co/gAGtYYeawE … # মিডওয়েউইটিউটিউনটি pic.twitter.com/3iIoDsfdLe

- জো বুথ (@ আইএমভিডিয়া গামার) 1 নভেম্বর, ২018

পেইং আশা প্রকাশ করে যে কোডটি প্রকাশের গতি বাড়বে। তিনি আরও উল্লেখ করেছেন যে এই দলটি "এই কাজের সম্ভাব্য অ্যাপ্লিকেশন সম্পর্কে গেম ডেভেলপার এবং অ্যানিমেশন স্টুডিওর সংখ্যা নিয়ে অনেক কথা বলছে, যদিও আমি এখনো তার সম্পর্কে খুব বেশি বিস্তারিত জানিনি।"

মেশিনগুলি নিয়মিত জটিল পদক্ষেপগুলির সাথে লড়াই করে, যেমন রোবট ফুটবল খেলে ফুটবলগুলি যে কোনও উচ্চ-অক্টেন প্যাচগুলি সম্পূর্ণ করার পরিবর্তে ঘাস জুড়ে নষ্ট হয়ে যায়। অগ্রগতি লক্ষণ আছে, এআই। বাস্তব বিশ্বের আন্দোলনের জটিলতার সাথে জড়িয়ে পড়ে এবং মানুষের মত আরো নিজেদেরকে সংশোধন করতে শুরু করে।

সম্ভবত ডিপমিমিক একদিন সেকেন্ডের মধ্যে একটি নতুন পদক্ষেপ শিখতে পারে, একইভাবে নু কীভাবে কুংফু শিখতে পারে জরায়ু.

নীচের বিমূর্ত পড়ুন।

ক্যারেক্টার অ্যানিমেশনে দীর্ঘস্থায়ী লক্ষ্য এমন একটি সিস্টেমের সাথে আচরণের ডেটা-চালিত স্পেসিফিকেশনটি একত্রিত করা যা শারীরিক সিমুলেশনের অনুরূপ আচরণ চালাতে পারে, এইভাবে প্রতিকূলতা এবং পরিবেশগত বৈচিত্র্যের বাস্তববাদী প্রতিক্রিয়া সক্ষম করে। আমরা দেখি যে সুপরিচিত শক্তিবৃদ্ধি শিখার (আরএল) পদ্ধতিগুলি উদাহরণস্বরূপ মোশন ক্লিপগুলির একটি বিস্তৃত পরিসর অনুকরণ করতে সক্ষম শক্তসমর্থ নিয়ন্ত্রণ নীতিগুলি শিখতে সক্ষম হতে পারে, জটিল জটিলতাগুলি শিখতে, রূপরেখার পরিবর্তনের প্রতি আকৃষ্ট হওয়া এবং ব্যবহারকারী নির্দিষ্ট লক্ষ্যগুলি সম্পাদন করতে সক্ষম। আমাদের পদ্ধতি কীফ্রমেড গতি পরিচালনা করে, উচ্চ গতিশীল ক্রিয়া যেমন গতি-দখলকৃত ফ্লিপস এবং স্পিনস এবং রিটার্জলেড গতি। একটি টাস্ক উদ্দেশ্য সঙ্গে একটি গতি অনুকরণ উদ্দেশ্য মিশ্রন দ্বারা, আমরা ইন্টারেক্টিভ সেটিংস মধ্যে বুদ্ধিমান প্রতিক্রিয়া যে অক্ষর প্রশিক্ষণ করতে পারেন, যেমন, একটি পছন্দসই দিক হাঁটা বা একটি ব্যবহারকারী নির্দিষ্ট লক্ষ্যে একটি বল নিক্ষেপ দ্বারা। RL পদ্ধতি এবং পদার্থবিজ্ঞান-ভিত্তিক অ্যানিমেশন দ্বারা সরবরাহিত নমনীয়তা এবং সাধারণতার সাথে পছন্দসই শৈলী এবং চেহারা সংজ্ঞায়িত করার জন্য এই পদ্ধতিটি গতি ক্লিপগুলি ব্যবহার করার সুবিধা এবং গতির গুণমানকে একত্র করে। আমরা বিভিন্ন দক্ষতার সমৃদ্ধ রিটার্টোর সম্পাদন করতে সক্ষম মাল্টি-দক্ষ এজেন্টগুলি বিকাশ করতে শেখার প্রক্রিয়ার মধ্যে একাধিক ক্লিপ সংহত করার জন্য বিভিন্ন পদ্ধতির অন্বেষণ করি। আমরা একাধিক অক্ষর (মানব, অ্যাটলাস রোবট, বাইপেডাল ডাইনোসর, ড্রাগন) ব্যবহার করে ফলাফল প্রদর্শন করি এবং লোকেশন, অ্যাক্রোব্যাটিক্স এবং মার্শাল আর্টসহ বিভিন্ন ধরণের দক্ষতা প্রদর্শন করি।