ویڈیو: سٹنٹ اداکاروں کو اس ای طرف سے تبدیل کردیا جا سکتا ہے. ٹیکنالوجی ایک دن جلد ہی

ایک نئی مصنوعی انٹیلی جنس سسٹم نے کمپیوٹر متحرک سٹنٹ مین تیار کیا ہے جو کبھی بھی اس سے کہیں زیادہ کارروائی فلموں کو کولر بنا سکتی ہے. کیلیفورنیا یونیورسٹی کے محققین، برکلے نے ایک نظام تیار کیا ہے جس میں مارشل آرٹ میں کچھ سب سے کم حرکتوں کو دوبارہ بنانے کی صلاحیت ہے، جس میں حقیقی زندگی انسانی اداکاروں کو تبدیل کرنے کی صلاحیت ہے.

یو سی برکنلے کے گریجویٹ طالب علم زیو بن 'جیسن' پینگ کہتے ہیں کہ ٹیکنالوجی کے نتیجے میں ٹیکنالوجی کے نتیجے میں جو انسانوں سے الگ الگ ہیں.

اگست میں وینکوور میں، کینیڈا میں 2018 SIGGRAPH کانفرنس میں پیش کیا گیا تھا، "یہ واقعی ایک بہت بڑی چھلانگ ہے جو گہری سیکھنے اور حرکت پذیری کے ساتھ کیا گیا ہے." "ماضی میں، بہت سے کام قدرتی مقاصد کو ضم کرنے میں چلے گئے ہیں، لیکن یہ طبیعیات کی بنیاد پر طریقوں کو بہت خاص ہونا پڑتا ہے. وہ عام طریقہ نہیں ہیں جو مہارت کی بڑی اقسام کو سنبھال سکتے ہیں.

"اگر آپ ہمارے نتائج انسانوں سے ریکارڈ کی گرفتاری پر موازنہ کریں تو، ہم اس موقع پر پہنچ رہے ہیں کہ یہ دونوں کو فرق کرنے کے لئے بہت مشکل ہے، یہ بتانے کے لئے کہ کیا تخروپن ہے اور حقیقی کیا ہے. ہم ایک مجازی سٹنٹ مین کی طرف بڑھ رہے ہیں."

اس منصوبے پر ایک کاغذ نے DeepMimic کو مدنظر کیا، جرنل میں شائع کیا گیا تھا ACM ٹرانس. گراف اگست میں. ستمبر میں، ٹیم نے دوسروں کو کوشش کرنے کے لئے گٹ ہب پر اپنے کوڈ اور تحریک کی گرفتاری کا ڈیٹا بنایا.

اس ٹیم نے گہری قابلیت سیکھنے کی تکنیکوں کو کس طرح منتقل کرنے کا نظام سکھایا تھا. اس نے حقیقی زندگی کی پرفارمنس سے تحریک کی گرفتاری کے اعداد و شمار کو لے لیا، انہیں نظام میں کھلایا اور پورے مہینے کے برابر 24 گھنٹوں کی تربیت کے پورے مہینے کے برابر کے لئے تخروپن میں چال چلانے کے لئے مقرر کیا. DeepMimic نے 25 مختلف چالوں کو چاٹ اور بیکفلپپس کی طرح سیکھا، اس کے نتائج کا موازنہ ہر بار اصل موکیپ ڈیٹا تک پہنچنے کے قریب آیا.

دوسرے نظاموں کے برعکس جس کی کوشش ہوسکتی ہے اور بار بار ناکام ہوگئی ہے، گپمی نے اقدام کو اس اقدام میں توڑ دیا تو اگر یہ ایک موقع پر ناکام ہوگئی، تو اس کے مطابق اس کی کارکردگی کا تجزیہ اور اس کے ساتھ ہی موافقت کرسکتا ہے.

پینگ بتاتا ہے کہ "ان تکنیکوں کی ترقی میں، مجھے لگتا ہے کہ وہ فلموں میں بڑے اور بڑے کردار ادا کرنے لگے گی." اندرونی. "تاہم، کیونکہ فلمیں عام طور پر انٹرایکٹو نہیں ہیں، ان تخروپن کی تکنیکوں کو کھیل اور وی آر پر مزید فوری اثر پڑتا ہے.

"دراصل، مضبوطی سیکھنے کا استعمال کرتے ہوئے تربیت یافتہ مصنوعی کردار پہلے سے ہی کھیلوں کو اپنا راستہ تلاش کررہا ہے. انڈیا کے کھیل ان خیالات کے لئے ایک بہت اچھی ٹیسٹنگ زمین ہوسکتی ہے. لیکن اس سے پہلے کہ وہ ای اے اے کے عنوانات کے لئے تیار ہو جائیں تو بہت زیادہ وقت لگۓ، کیونکہ مصنوعی حروف کے ساتھ کام کرنا روایتی ترقی پائپ لائنز سے ایک بہت خوبصورت تبدیلی کی ضرورت ہے."

کھیل ڈویلپرز ان آلات کے ساتھ استعمال شروع کر رہے ہیں. ایک ڈویلپر نے اتحاد کے انجن کے اندر DeepMimic استعمال کرنے میں کامیاب کیا:

خواتین اور حضرات، ہم نے بیکفلپ مکمل کر لیا ہے! رنگگو سے مبارک باد، اکا انداز ٹرانسمیٹر002.144 - # unity3d + #MLAgents اور #MarathonEnvs کا استعمال کرتے ہوئے. StyleTransfer MoCap کے اعداد و شمار سے #ActiveRagoll ٹرینز Aka Deepmimic http://t.co/gAGtYYeawE … #madewithunity pic.twitter.com/3iIoDsfdLe

جو جو بوتھ (iAmVidyaGamer) 1 نومبر، 2018

پنگ امید کرتا ہے کہ کوڈ جاری کرنے میں اس کی گنجائش تیز ہوجائے گی. انہوں نے یہ بھی نوٹ کیا کہ ٹیم "اس کھیل کے ممکنہ ایپلی کیشنز کے بارے میں بہت سے کھیل ڈویلپرز اور حرکت پذیری سٹوڈیو سے بات کر رہی ہے، اگرچہ میں ابھی تک اس بارے میں مزید تفصیلات نہیں جاسکتا."

مشینیں باقاعدگی سے پیچیدہ چالوں کے ساتھ جدوجہد کرتے ہیں، جیسے روبوٹ نے کسی اعلی آکٹین ​​حرکتوں کو مکمل کرنے کی بجائے گھاس بھر میں نرمی سے روبوٹ کا مظاہرہ کیا. ترقی کے علامات ہیں، جیسا کہ اے. حقیقی دنیا کی نقل و حرکت کی پیچیدگیوں کے ساتھ گرفت ہو جاتا ہے اور انسانوں کی طرح خود کو درست کرنے کے لئے شروع ہوتا ہے.

شاید DeepMimic ایک سیکنڈ سیکنڈ میں ایک نیا اقدام سیکھ سکتا ہے، جیسے کہ کنگ فو میں سیکھتا ہے میٹرکس.

مندرجہ ذیل خلاصہ پڑھیں.

کردار حرکت پذیری میں ایک طویل عرصے سے مقصد یہ ہے کہ اس نظام کے ساتھ رویے کے اعداد و شمار پر مبنی تصویری نمونہ یکجا کرنا جو جسمانی تخروپن میں اسی طرح کے رویے کو انجام دے سکتا ہے، اس طرح اس کے مطابق حقیقت اور ماحولیاتی تبدیلیوں کو حقیقت پسندانہ ردعمل کا سامنا کرنا پڑتا ہے. ہم ظاہر کرتے ہیں کہ معروف قابلیت سے متعلق قابلیت (RL) طریقوں کو مضبوط کنٹرول پالیسیوں کو سیکھنے کے قابل ہوسکتا ہے جو مثال کے طور پر موکل کلپس کی وسیع پیمانے پر رینج کی تقاضا کرنے میں کامیاب ہوسکتا ہے، جبکہ پیچیدہ وصولیوں کو بھی سیکھنے میں، مفاہمت میں تبدیلیوں کو اپنانے اور صارف کے مخصوص مقاصد کو پورا کرنے میں بھی مدد ملے گی. ہمارا طریقہ، کلیدی فریم شدہ حرکتوں کو چلاتا ہے، انتہائی متحرک عمل جیسے حرکت پذیری فلپس اور اسپین، اور ریٹ مقاصد کی رفتار. کام مقاصد کے ساتھ تحریک کی تقلید کے مقصد کو یکجا کرکے، ہم ایسے حروف کو تربیت دے سکتے ہیں جو انٹرایکٹو ترتیبات میں مبنی طور پر رد عمل کرتے ہیں، مثلا، مطلوب سمت میں چلتے ہوئے یا صارف کے مخصوص ہدف پر گیند پھینک دیتے ہیں. اس طرح سے یہ نقطہ نظر آر ایل طریقوں اور فزکس کی بنیاد پر حرکت پذیری کی طرف سے affordable لچکدار اور جنراتور کے ساتھ، مطلوبہ انداز اور ظہور کی وضاحت کرنے کے لئے تحریک کلپس کا استعمال کرتے ہوئے سہولت اور تحریک معیار کو یکجا کرتا ہے. ہم کثیر مہارت والے ایجنٹوں کو متنوع مہارتوں کے امیر ریپرٹوائر کے قابل بنانے کے قابل بنانے کے لئے سیکھنے کے عمل میں ایک سے زیادہ کلپس کو ضم کرنے کے لئے بہت سے طریقے تلاش کریں. ہم ایک سے زیادہ حروف (انسانی، اٹلانٹ روبوٹ، بائڈ ڈایناسور، ڈریگن) اور مہارت کی ایک بڑی قسم، جس میں لوکوموشن، اکبباکی اور مارشل آرٹس سمیت استعمال کرتے ہوئے نتائج کا مظاہرہ کرتے ہیں.