据外媒 Inverse 报导，加州大学柏克莱分校的研究人员开发出新的 AI 系统，生成的电脑动画特技演员可重现武术基本动作，未来有可能取代人类特技演员。
“这是深度学习和动画的一次大跃进，”柏克莱分校研究生 Pang 今年 8 月于 SIGGRAPH 会议发表的研究报告说。“很多相关工作都是模拟自然运动，但没有／无法提供多种技能运用的通用方法。它和以人类动作为标记的‘动态捕捉’技术看上去很相似，但本质不同。我们的技术正朝着（塑造）虚拟替身演员迈进。”
计划相关论文《DeepMimic》发表在 ACM Trans 杂志。随后团队在 GitHub 提供程式码和动作捕捉数据供其他人试用。
团队使用“深层强化学习技术”（reinforcement learning，RL）教导系统如何移动。它从现实生活获取动作捕捉数据，输入系统，并让系统模拟练习这些动作，模拟时间相当于一个月，每天 24 小时训练。DeepMimic 学习 25 种不同的动作，比如踢腿和后空翻，每次比较结果，看它与原始动作捕捉数据的接近程度。
与其他可能反复尝试并失败的系统不同，DeepMimic 将移动分解为多步骤，以便某时刻若失败，它可以分析性能并在适当的时刻调整。
“随着技术进步，我认为将开始在电影发挥越来越大的作用，”Pang 告诉 Inverse。“然而，由于电影通常没有互动，这些模拟技术可能对游戏和 VR 产生更直接的影响。”
事实上，对这些使用“RL”训练的模拟角色，独立游戏就是很好的试验场景。但它们可能需要更长时间才能准备好应用在 AAA 级游戏，因为使用模拟字元需要大调整和改变传统开发管道。Pang 表示，已与一些游戏开发商和动画工作室讨论这项工作的可能应用，但暂未透露细节。
团队表示，“角色动画”的长期目标是，将数据驱动的行为规范，与能在物理模拟执行类似行为的系统相结合，进而让角色能真实回应扰动和环境变化。加州大学柏克莱分校的实验结果展示，RL 方法可用来学习、模仿非常多示范动作，达到用户指定的目标。
方法是处理关键帧运动、高度动态的动作，如动态捕捉的翻转、旋转和重定向运动。透过结合动作模仿目标与任务目标，训练角色在互动时智慧反应，例如，沿着想要的方向行走或向用户指定的目标扔球。
因此，研究人员用“运动剪辑”来定义所需的样式，使角色具备基于 RL 和物理动画的灵活性和通用性。他们尝试多种方法，将多个片段整合到学习过程，以开发具备多技能代理功能的动画角色，并使用多个角色（人类、阿特拉斯机器人、双足恐龙等）和多种技能来展示结果，包括移动、杂技和武术。
（本文由 36Kr 授权转载；图片来源：影片截图）
延伸阅读：
- 波士顿动力遇强敌？迪士尼特技机器人 Stickman 能空翻两周超威
- 迪士尼请了一位“空中飞人”，各路超级英雄表演里都将有它
