Det är fortfarande lätt att skilja datorsimulerade rörelser från verkligheten - på den stora skärmen eller i videospel, simulerade människor och djur rör sig ofta klumpigt, utan rytmen och smidigheten hos sina verkliga motsvarigheter.

Men det håller på att förändras. University of California, Berkeley-forskare har nu gjort stora framsteg inom realistisk datoranimation, använda djup förstärkningsinlärning för att återskapa naturliga rörelser, även för akrobatiska bedrifter som breakdans och kampsport. De simulerade karaktärerna kan också reagera naturligt på förändringar i miljön, som att återhämta sig från snubbling eller bli beskjuten av projektiler.

"Det här är faktiskt ett ganska stort steg från vad som har gjorts med djupinlärning och animation. Tidigare, mycket arbete har lagts ner på att simulera naturliga rörelser, men dessa fysikbaserade metoder tenderar att vara mycket specialiserade; de är inte generella metoder som kan hantera en stor variation av färdigheter, " sa UC Berkeleys doktorand Xue Bin "Jason" Peng. Varje aktivitet eller uppgift kräver vanligtvis sin egen specialdesignade kontroller.

"Vi utvecklade mer kapabla medel som beter sig på ett naturligt sätt, " sa han. "Om du jämför våra resultat med motion-capture inspelad från människor, vi kommer till en punkt där det är ganska svårt att skilja de två, att berätta vad som är simulering och vad som är verkligt. Vi går mot en virtuell stuntman."

Arbetet skulle också kunna inspirera till utveckling av mer dynamisk motorik för robotar.

Ett dokument som beskriver utvecklingen har villkorligt accepterats för presentation vid 2018 års SIGGRAPH-konferens i augusti i Vancouver, Kanada, och lades ut online den 10 april. Pengs kollegor på institutionen för elektroteknik och datavetenskap är professor Pieter Abbeel och biträdande professor Sergey Levine, tillsammans med Michiel van de Panne från University of British Columbia.

Mocap för DeepMimic

Traditionella tekniker inom animation kräver vanligtvis att man designar anpassade kontroller för hand för varje färdighet:en kontroller för att gå, till exempel, och en annan för löpning, vändningar och andra rörelser. Dessa handgjorda kontroller kan se ganska bra ut, sa Peng.

Alternativt metoder för djupförstärkning, som GAIL, kan simulera en mängd olika färdigheter med en enda allmän algoritm, men deras resultat ser ofta väldigt onaturliga ut.

"Fördelen med vårt arbete, "Peng sa, "är att vi kan få det bästa av två världar. Vi har en enda algoritm som kan lära oss en mängd olika färdigheter, och producera rörelser som konkurrerar om inte överträffar toppmoderna inom animation med handgjorda kontroller."

För att uppnå detta, Peng fick referensdata från motion-capture (mocap) klipp som visar mer än 25 olika akrobatiska bedrifter, som backflips, vagnhjul, kip-ups och valv, samt enkel löpning, kasta och hoppa. Efter att ha tillhandahållit mocap-data till datorn, teamet tillät sedan systemet - kallat DeepMimic - att "öva" varje färdighet under ungefär en månads simulerad tid, lite längre tid än en människa kan ta för att lära sig samma färdighet.

Datorn tränade 24/7, gå igenom miljontals försök för att lära sig hur man realistiskt simulerar varje färdighet. Den lärde sig genom trial and error:att jämföra dess prestanda efter varje försök med mocap-data, och justera dess beteende för att bättre matcha den mänskliga rörelsen.

"Maskinen lär sig dessa färdigheter helt från grunden, innan den ens vet hur den ska gå eller springa, så en månad kanske inte är alltför orimligt, " han sa.

Nyckeln var att låta maskinen lära sig på ett sätt som människor inte gör. Till exempel, en backflip involverar så många individuella kroppsrörelser att en maskin kan fortsätta att falla och aldrig komma förbi de första stegen. Istället, Algoritmen börjar lära sig vid olika stadier av backflip - inklusive i luften - för att lära sig varje steg av rörelsen separat och sedan sy ihop dem.

Förvånande, en gång tränad, de simulerade karaktärerna kan hantera och återhämta sig från aldrig tidigare skådade förhållanden:springer över oregelbunden terräng och gör spin-kicks samtidigt som de kastas av projektiler.

"Återhämtningarna kommer gratis från inlärningsprocessen, " sa Peng.

Och samma enkla metod fungerade för alla de mer än 25 färdigheterna.

"När vi först började, vi tänkte att vi skulle prova något enkelt, som baslinje för senare metoder, förväntade sig inte att det skulle fungera. Men den mycket enkla metoden fungerar faktiskt riktigt bra. Detta visar att ett enkelt tillvägagångssätt faktiskt kan lära sig en mycket rik repertoar av mycket dynamiska och akrobatiska färdigheter."