Basketspelare behöver mycket träning innan de bemästrar dribblingen, och det visar sig att det är sant för datoranimerade spelare också. Genom att använda djup förstärkningsinlärning, spelare i videobasketspel kan få insikter från motion capture-data för att vässa sina dribblingsfärdigheter.

Forskare vid Carnegie Mellon University och DeepMotion Inc., ett företag i Kalifornien som utvecklar smarta avatarer, har för första gången utvecklat en fysikbaserad, realtidsmetod för att kontrollera animerade karaktärer som kan lära sig dribblingar av erfarenhet. I detta fall, systemet lär sig från motion capture av rörelser som utförs av människor som dribbla basketbollar.

Denna inlärningsprocess med försök och misstag är tidskrävande, kräver miljontals försök, men resultatet är armrörelser som är nära koordinerade med fysiskt rimliga bollrörelser. Spelare lär sig att dribbla mellan benen, dribbla bakom deras ryggar och gör crossover-rörelser, samt hur man går över från en färdighet till en annan.

"När färdigheterna är inlärda, nya rörelser kan simuleras mycket snabbare än i realtid, sa Jessica Hodgins, Carnegie Mellon professor i datavetenskap och robotik.

Hodgins och Libin Liu, chefsforskare på DeepMotion, kommer att presentera metoden på SIGGRAPH 2018, konferensen om datorgrafik och interaktiva tekniker, 12-18 augusti, i Vancouver.

"Denna forskning öppnar dörren till att simulera sport med skickliga virtuella avatarer, sa Liu, rapportens första författare. "Tekniken kan tillämpas bortom sportsimulering för att skapa mer interaktiva karaktärer för spel, animering, rörelseanalys, och i framtiden, robotik."

Motion Capture-data ger redan realism till toppmoderna videospel. Men dessa spel innehåller också oroande artefakter, Liu noterade, som bollar som följer omöjliga banor eller som verkar fastna i en spelares hand.

En fysikbaserad metod har potential att skapa mer realistiska spel, men att få de subtila detaljerna rätt är svårt. Det är speciellt för att dribbla en basketboll eftersom spelarens kontakt med bollen är kort och fingerpositionen är avgörande. Några detaljer, till exempel hur en boll kan fortsätta snurra en kort stund när den får lätt kontakt med spelarens händer, är svåra att reproducera. Och när bollen väl släpps, spelaren måste förutse när och var bollen kommer tillbaka.

Liu och Hodgins valde att använda djup förstärkningsinlärning för att göra det möjligt för modellen att ta upp dessa viktiga detaljer. Artificiell intelligens-program har använt denna form av djupinlärning för att ta reda på en mängd olika videospel och AlphaGo-programmet använde det känt för att bemästra brädspelet Go.

Rörelsefångningsdata som användes som indata var människor som gjorde saker som att rotera bollen runt midjan, dribbling medan du springer och dribbling på plats både med högerhanden och när du byter händer. Dessa fångstdata inkluderade inte bollrörelsen, vilket Liu förklarade är svårt att spela in korrekt. Istället, de använde banoptimering för att beräkna bollens mest sannolika banor för en given handrörelse.

Programmet lärde sig färdigheterna i två steg – först bemästrade det rörelse och sedan lärde sig hur man kontrollerar armar och händer och, genom dem, bollens rörelse. Detta frikopplade tillvägagångssätt är tillräckligt för handlingar som dribbling eller kanske jonglering, där interaktionen mellan karaktären och objektet inte har någon effekt på karaktärens balans. Ytterligare arbete krävs för att ta itu med sport, som fotboll, där balansen är tätt kopplad till spelmanövrar, sa Liu.