全文共1842字，预计阅读时长3分钟

不用实时动作捕捉，虚拟特技演员能否按照要求完成指定动作？这个问题的答案终于由否定变为了肯定。

近日，伯克利BAIR实验室公布了运动建模的最新研究成果。通过使用动作捕捉片段，伯克利让AI成功克服了此前虚拟人物“动若智障”的问题，并让其学会了24个高难度动作。

虽然伯克利表示，其研究主要还是为了解决机器人经常出现的不自然动作、异常抖动、步伐不对称以及四肢过度摆动等问题。但未来，爱豆们会为自己雇佣一个虚拟特技演员当替身也说不定哦~

动作模拟与动作捕捉

动作模拟技术分为两大流派。

第一类是简单模型技术。在这类强化学习的基准中，模拟对象使用的是简单模型。这些模型生成自模拟对象的各类视频，通过视频中模拟主体的识别、提取、3D建模，AI可以“学会”模拟对象的运动特征和不同动作的特点，从而对模拟对象的运动进行模仿。

不过，建立高保真的3D模型需要大量的人力物力，这在模型训练中几乎没有应用的可能性。而由失真模型训练出的AI所生成的动作模拟结果，将会产生许多现实世界根本不会有的行为。

另一种策略对于动作的模拟会更加精确自然，叫做数据驱动技术。它与动作捕捉技术有着紧密联系。

动作捕捉如今已被广泛应用在电影特效制作中。它是在运动物体的关键部位设置跟踪器，再经过计算机处理后得到三维空间坐标数据的技术。该技术涉及尺寸测量、物理空间定位及方位测定等方面。动作模拟则是在此基础上更进一步。

通过人类动作捕捉，可以生成用于模型训练的自然动作样例。如此，AI便可以掌握样例中各个关键点坐标的位移趋势，从而实现动作的复原。

不过，由于这种方法的数据样本量非常有限，仅能让AI学会几种成组的动作。这样一来，AI所产生的动作模拟结果将会有很强的归纳偏向。

也就是说，不同于AI在简单模型框架中掌握的关节肌肉运动模式，数据驱动框架下训练出的AI仅能掌握数据库中的几组固定动作。不仅如此，AI还会因为动作捕捉对象自身的不足与缺陷，造成其在运动模拟中无法生成更有技巧性的动作。

而正是在两流派各有缺陷的情况下，伯克利找到第三条路——扬长避短。在研究中，伯克利在基于简单模型的基础上，引入了动作捕捉模型辅助强化学习。从而，该模型不仅可以通过学习样例做出难度更高的动作，其输出动作的质量甚至足以匹敌当前计算机图形学最先进的全身动作模拟。

高质量动作的实现

为了让AI以正确而有效率的姿势实现动作模拟，伯克利祭出了三大板斧。

第一大板斧是创新奖励函数。伯克利在机器强化学习中应用的奖励函数叫做缩小跟踪误差函数。在该函数中，参考动作及模拟动作将被编码，并计算出方差。当方差相差越大，AI得到的负反馈便会越强，从而让AI在一次次的模拟中学会目标动作。

该奖励函数的优势在于，其输出负反馈的奖励函数能够为AI有效排除错误结果，从而使得AI的学习方向更为明确，规避了很多以正反馈为输出对象的奖励函数的弊端。

第二大板斧则与该研究的初衷息息相关。为了让虚拟人物的学习成果将来能够被应用于实体机器人身上。在建模时，研发人员自然也为模型增添了诸如重力等一系列参数。

这就意味着，AI在进行动作模拟时还需要测算力量的使用及运动的轨迹。而这些数据并未在参考模型中给出，需要AI自行摸索。不仅如此，因为单一参考模型中往往不会包括诸如摔倒站起这样的动作，这就意味着在强化学习中，虚拟对象一旦摔倒，几乎没有爬起来的可能性。

因此，研发人员针对这一情况设置了提前终止的选项，当虚拟对象进入无用状态时，就可以终结这次训练来缓解这个问题。

为了减少提前终止的概率，并保证虚拟对象的动作不会因为环境参数而产生形变，研究人员还引入了第三个板斧——参考状态初始化。让其被初始化为参考动作的随机采样状态。

举个例子，在训练虚拟对象完成后空翻时，虚拟对象有时从地面开始，有时从翻转的中间状态开始，从而对后空翻进行学习。由此，AI便能够逐步掌握后空翻起始、中间、落地的条件，保证后空翻动作能够被完整复原。

读芯君开扒

未来的动画

伯克利研发的动作模拟框架不仅仅能够模仿人的动作，甚至在没有动作捕捉剪辑的情况下，通过画师作画的方式，该框架也能进行模拟。在实验中，伯克利就成功模拟了狮子、霸王龙等生物的运动。

这一技术如果应用到动画制作中，无疑会在很大程度上节省人力、物力。甚至，一些异形生物的运动因为不需要演员的复现，从而能在一定程度上更加贴近导演的预期。

当然，距离其应用到动画制作中还需要一段时间，毕竟，面部动作及身体细节的模拟所需要的样本量更多，计算量也更大，现有的模型还不能满足这一需求。不过，技术发展日新月异，没准眨眼间，AI制作的动画就在影院与我们相见了呢！

留言 点赞 发个朋友圈

我们一起探讨AI落地的最后一公里

作者：羊习习

参考文献链接：

https://www.leiphone.com/news/201804/UaDuhU7EjFrnHHs2.html?viewType=weixin

如需转载，请后台留言，遵守转载规范

推荐文章阅读

长按识别二维码可添加关注

读芯君爱你