I giocatori di basket hanno bisogno di molta pratica prima di padroneggiare il palleggio, e si scopre che è vero anche per i giocatori animati da computer. Utilizzando l'apprendimento per rinforzo profondo, i giocatori nelle partite di video basket possono raccogliere informazioni dai dati di motion capture per affinare le loro abilità di dribbling.

Ricercatori della Carnegie Mellon University e DeepMotion Inc., una società californiana che sviluppa avatar intelligenti, hanno sviluppato per la prima volta un sistema basato sulla fisica, metodo in tempo reale per controllare personaggi animati che possono apprendere abilità di dribbling dall'esperienza. In questo caso, il sistema apprende dal motion capture dei movimenti eseguiti dalle persone che dribblano i palloni da basket.

Questo processo di apprendimento per tentativi ed errori richiede tempo, che richiedono milioni di prove, ma i risultati sono movimenti del braccio che sono strettamente coordinati con il movimento della palla fisicamente plausibile. I giocatori imparano a dribblare tra le gambe, dribbla dietro le loro spalle e fai movimenti incrociati, così come come passare da un'abilità all'altra.

"Una volta apprese le abilità, nuovi movimenti possono essere simulati molto più velocemente del tempo reale, "ha detto Jessica Hodgins, Carnegie Mellon professore di informatica e robotica.

Hodgins e Libin Liu, capo scienziato presso DeepMotion, presenterà il metodo al SIGGRAPH 2018, la Conferenza su Computer Grafica e Tecniche Interattive, 12-18 agosto, a Vancouver.

"Questa ricerca apre le porte alla simulazione dello sport con abili avatar virtuali, " disse Liù, primo autore del rapporto. "La tecnologia può essere applicata oltre la simulazione sportiva per creare personaggi più interattivi per i giochi, animazione, analisi del movimento, e in futuro, robotica."

I dati di motion capture aggiungono già realismo ai videogiochi all'avanguardia. Ma questi giochi includono anche artefatti sconcertanti, Liu ha notato, come palloni che seguono traiettorie impossibili o che sembrano attaccarsi alla mano di un giocatore.

Un metodo basato sulla fisica ha il potenziale per creare giochi più realistici, ma ottenere i dettagli sottili giusti è difficile. Questo è particolarmente vero per il dribbling di una palla da basket perché il contatto del giocatore con la palla è breve e la posizione delle dita è fondamentale. Alcuni dettagli, come il modo in cui una palla può continuare a girare brevemente quando fa un leggero contatto con le mani del giocatore, sono difficili da riprodurre. E una volta che la palla viene rilasciata, il giocatore deve anticipare quando e dove tornerà la palla.

Liu e Hodgins hanno scelto di utilizzare l'apprendimento per rinforzo profondo per consentire al modello di raccogliere questi importanti dettagli. I programmi di intelligenza artificiale hanno utilizzato questa forma di apprendimento profondo per capire una varietà di videogiochi e il programma AlphaGo notoriamente l'ha impiegata per padroneggiare il gioco da tavolo Go.

I dati di motion capture utilizzati come input riguardavano persone che facevano cose come ruotare la palla intorno alla vita, dribbling durante la corsa e dribbling sul posto sia con la mano destra che durante il passaggio di mano. Questi dati di acquisizione non includevano il movimento della palla, che Liu ha spiegato è difficile da registrare con precisione. Anziché, hanno usato l'ottimizzazione della traiettoria per calcolare i percorsi più probabili della palla per un dato movimento della mano.

Il programma ha appreso le abilità in due fasi:prima ha padroneggiato la locomozione e poi ha imparato a controllare le braccia e le mani e, attraverso loro, il movimento della palla. Questo approccio disaccoppiato è sufficiente per azioni come dribbling o forse giocoleria, dove l'interazione tra il personaggio e l'oggetto non ha effetto sull'equilibrio del personaggio. Sono necessari ulteriori lavori per affrontare lo sport, come il calcio, dove l'equilibrio è strettamente legato alle manovre di gioco, ha detto Liu.