В теории технология позволит упростить производство видеоигр и сократить бюджет.
В рамках проекта «Фазово-функциональная нейронная сеть» (Phase-Functioned Neural Network) учёные разработали самообучающуюся систему, которая позволяет моделировать движения виртуального персонажа в реальном времени.
В качестве входных параметров нейронная сеть использует разную информацию, среди которой данные об окружающем ландшафте и предыдущем положении героя. Для тренировки сети используются предварительно заготовленные движения вроде ходьбы, бега, прыжков и лазанья. Впоследствии система самостоятельно комбинирует элементарные анимации и позволяет изображать бег по пересечённой местности, прыжки через преграды или же карабканье по скалам.
Фазово-функциональная нейронная сеть работает в три этапа. Сначала система строит карту высот рельефа на основе специальной базы данных. Затем сеть обучается и фиксирует движения персонажа характерные для разной местности. На последнем этапе PFNN воспроизводит необходимые анимации персонажа на основании входных сигналов.
Один из авторов проекта, сотрудник Ubisoft Montreal Дэниел Холден (Daniel Holden), заявил, что PFNN работает очень быстро и не требует значительных вычислительных ресурсов для обучения, обрабатывая даже большой объём информации.
Предполагается, что технология найдёт широкое применение в игровой индустрии. Разработчики смогут использовать её не только для анимации движений героя, но и его мимики. PFNN позволит снизить стоимость разработки, так как автоматически будет определять поведения персонажа, не требуя ручной проработки.
Нейронную сеть планируют представить на конференции SIGGRAPH в августе 2017 года.
Источник: DTF
