Визуальная схема PFNN. На рисунке желтым цветом показана циклическая функция фазы — функция, которая генерирует веса регрессионной сети, выполняющей контрольную задачу.
Несмотря на свою компактную структуру, сеть может учиться у большого массива данных большого объема благодаря фазовой функции, которая плавно изменяется с течением времени для создания большого разнообразия сетевых конфигураций.
Несмотря на свою компактную структуру, сеть может учиться у большого массива данных большого объема благодаря фазовой функции, которая плавно изменяется с течением времени для создания большого разнообразия сетевых конфигураций.
Визуализация входной параметризации системы. Розовым цветом представлены позиции и скорости суставов персонажа из предыдущего кадра. Черным описаны подвыборочные положения траектории, направления и высоты. Желтым выделена сетка персонажа, деформированная с использованием положений суставов и вращений, выводимых из системы PFNN.
Исследователи также предлагают структуру для получения дополнительных данных для обучения PFNN, где взаимосвязаны перемещение человека и геометрия окружающей среды. Они утверждают, что после обучения система работает быстро и требует мало памяти — ей нужно несколько миллисекунд времени и мегабайты памяти даже при обучении на гигабайтах данных движения. Кроме того, PFNN производит высококачественное движение без тех артефактов, которые можно обнаружить в существующих методах.
PFNN обучается в сквозном режиме на большом наборе данных, состоящем из ходьбы, бега, прыжков, скалолазания, которые вмонтированы в виртуальные среды. Система способна автоматически генерировать движения, в которых персонаж адаптируется к различным геометрическим условиям вроде ходьбы и бега по пересеченной местности, прыжков через препятствия и приседаний в конструкциях с низкими потолками.
Исследователи также предлагают структуру для получения дополнительных данных для обучения PFNN, где взаимосвязаны перемещение человека и геометрия окружающей среды. Они утверждают, что после обучения система работает быстро и требует мало памяти — ей нужно несколько миллисекунд времени и мегабайты памяти даже при обучении на гигабайтах данных движения. Кроме того, PFNN производит высококачественное движение без тех артефактов, которые можно обнаружить в существующих методах.
PFNN обучается в сквозном режиме на большом наборе данных, состоящем из ходьбы, бега, прыжков, скалолазания, которые вмонтированы в виртуальные среды. Система способна автоматически генерировать движения, в которых персонаж адаптируется к различным геометрическим условиям вроде ходьбы и бега по пересеченной местности, прыжков через препятствия и приседаний в конструкциях с низкими потолками.
Система PFNN проходит через три последовательных этапа: стадию предварительной обработки, стадию обучения и стадию выполнения. На этапе предварительной обработки данные для подготовки нейросети настраиваются таким образом, чтобы из них можно было автоматически извлечь параметры управления, которые позже предоставит пользователь. Этот процесс включает в себя установку данных рельефа для захваченных данных движения с использованием отдельной базы данных карт высот.
На этапе обучения PFNN учится использовать эти данные, чтобы создавать движение персонажа в каждом кадре с учетом параметра управления. На этапе выполнения входные параметры в нейросети собираются из пользовательского ввода и из среды, а затем вводятся в систему для определения движения персонажа.
Такой механизм управления идеально подходит для работы с персонажами в интерактивных сценах в видеоиграх и системах виртуальной реальности, Исследователи заявили, что если обучать сеть с нециклической фазовой функцией, PFNN можно легко использовать для решения других задач, вроде моделирования ударов руками и ногами.
Команда исследователей во главе с Холденом планирует представить эту новую нейронную сеть на конференций SIGGRAPH в августе.
На этапе обучения PFNN учится использовать эти данные, чтобы создавать движение персонажа в каждом кадре с учетом параметра управления. На этапе выполнения входные параметры в нейросети собираются из пользовательского ввода и из среды, а затем вводятся в систему для определения движения персонажа.
Такой механизм управления идеально подходит для работы с персонажами в интерактивных сценах в видеоиграх и системах виртуальной реальности, Исследователи заявили, что если обучать сеть с нециклической фазовой функцией, PFNN можно легко использовать для решения других задач, вроде моделирования ударов руками и ногами.
Команда исследователей во главе с Холденом планирует представить эту новую нейронную сеть на конференций SIGGRAPH в августе.
Я уже жру это ебанное будущее огромной ложкой.
Мам, смотри, будущее наступило)) Дали пасасать уткам))
О, заебись, новые технологии! Похуй, конечно, что физика на движках из 90-х была в разы лучше, чем на современных, но зато движки-то новые а новые значит лучше))
Ленивые хуесосы всегда найдутся.
Скажи спасибо что вообще выпустили, им денег даже на собачий корм кодерам еле хватало, не говорю уж о гречке.
В хитмане в качестве отражений было окошко в такую же комнату с копией героя. Вот вам и технологии кккккк
Да забавно как создав технологию её пытаются впихнуть в каждую нишу и посмотреть что выйдет
>сравнивает 2-х полигональную игру мезозойской эры с графонистой йобой этого десятилетия
Но в плане физики и вообще проработки мира даже морровинд даст пососать первым собакам, в этом ты прав.
Собачий корм, небось, подороже гречки выйдет. Там фаршик есть.
Как обычно технологию запатентует один хуесос и будет она использоваться в паре игор про вышки. Было, знаем.
> Было, знаем
Подробнее!
Я как-то кошачий корм попробовал. И что я скажу: коты неплохо питаются. Получше студентов.
Все так, тоже любил иногда кошачий корм покушать особенно с говядиной, вкусно пиздец.
Графоний говна в жопу залил, нам нужна консольная графика, тогда и физику завезут. Ох черт, почему же ничего не получается? Уииииииии, надо только подождать и некст ген придет, порядок наведет
В плане физики Морровинд?
Я Морроутка, но тут ты просто толще некуда рофлишь. Хотя, я не играл в ВД, там все так плохо?
Зеркала - это порталы в другие миры, но зеркальный ты не даёт тебе в них попасть.
Толсто, зелено.
>там все так плохо?
Очередное желание уложится в срок не пошло на пользу этой игре. Как и собственно пиздеж на Е3, графон которой можно было включить в ini файле, лол, в папке с игрой. Под пивко сойдет, но умилятся там совершенно нечему, все было бы ничего, если бы эту игру клепали 2.5 человека и из ноунейм студии, но тут сука весь штат юбисофт батрачил, да еще и с охуевшей рекламой. А на выходе получился уровень инди говна из стима.
ВД - сырая параша. Примерно как первый Ассасин. А вот вторая часть - мяготка.
Думаю врядли Юбисофт хотели обосраться дважды, так что да, я сам вторую часть с удовольствием прошел. Что не отменяет факта провальных продаж второй части, по сравнению с первой. Такие дела.
Прямо как ирл.
Пиковая дама, залогиньтесь.
В новом хитмане похоже такая же хуйня лёл, вон даже за отражение заглянуть можно.
Поскорее бы.
так зеркала и работают. отражение в зеркале зависит от угла обзора отражение
Говно. Персонаж всё так же скользит по поверхности,а не идёт по ней. Ни трения, ни центра тяжести, нихуя.
Переложили навешивание шаблонных движений с биомакаки на кремний. Охуенно.
Не толсти, за зеркала уже давно всё обсосали. Просто теперь тип модно вампиры, ну ты понел)))
В одном ебале ГГ из 2014 полигонов больше, чем во всей сцене с отражениями из 2000.
>за отражение заглянуть можно
Толсто или тупо? Делайте ставки, господа!
> Толсто или тупо
А это не синонимы?
Не понял в чём соль. Это типа физические анимации, но вместо физики тупо координаты?
Нет. Толсто, это когда кто-то пытался начать срач на ровном месте, но при этом даже тупой поймет, что это тралинг. Ну а вот тупо, это когда человек действительно тупой и, например, действительно не понимает, как работают зеркала.
>выходит новая игра с использованием революционного фреймворка анимаций
>всё пидорасит как в ac:unity
>всё пидорасит как в ac:unity
Чет мне кажется пиздят. Чувак только через запрограмированные низкие камни перепрыгивал, а вокруг высоких его заботливо обводили.
> motion capture
> модель использует заранее записанные анимации
> но между этим чета там происходит, вот вам умные слова вроде нейросетей
Пикстронгли. Наебалово ещё то.
Был ролик, как нейросеть играла в NES. И проигрывая в тетрис, поставила на паузу в последний момент.
Так вот тут такая же херня будет?
Можно паузу запретить просто, лол.
Нейросети это и так черный ящик, лол.
Нахуй не нужно.
Геймплей верните. Мне даже перед дос играми стыдно.
Геймплей верните. Мне даже перед дос играми стыдно.
> И проигрывая в тетрис, поставила на паузу в последний момент.
Почему?
Игры бы ли на ХР. В досе тоже унылое говно.
>видео
Анимации из фоллаут 4. Чем ты удивить решил?
в новом гта разве что будет и всё,и то не факт
В итоге получается 1 в 1 как моушн капчур, никто не будет использовать. Профитов нет
Это блять не аи, а всего лишь контроллер анимации. Причем такой же ты можешь написать на стейтах, разница только в том, что вместо бленда клипов идет напрямую контроль костей.
Создать управляемый в реальном времени контроллер для виртуальных персонажей — сложная задача даже при наличии большого количества доступных высококачественных данных захвата движения.
Частично это связано с тем, что к контроллеру персонажей предъявляется масса требований, и только при соответствии им всем он может быть полезным. Контроллер должен уметь учиться на больших объемах данных, но при этом не требовать большого количества ручной предварительной обработки данных, а также должны максимально быстро работать и не требовать больших объемов памяти.
И хотя в этой области уже достигнут некоторый прогресс, почти все существующие подходы соответствуют одному или нескольким из этих требований, но не удовлетворяют им всем. Кроме того, если проектируемая местность будет иметь рельеф с большим количеством препятствий, это еще серьезнее усложняет дело. Персонажу приходится менять темп движения, прыгать, уклоняться или взбираться на возвышенности, следуя командам пользователя.
При таком сценарии нужна система, которая может учиться на основе очень большого количества данных о движении, поскольку существует очень много разных комбинаций траекторий движения и соответствующих геометрий.
Разработки в области глубинного обучения нейронных сетей потенциально могут решить эту проблему: они могут учиться на больших наборах данных, и однажды обученные, они занимают мало памяти и быстро выполняют поставленные задачи. Остается открытым вопрос о том, как именно нейронные сети лучше всего применять к данным движения таким образом, чтобы получать высококачественный результат в режиме реального времени с минимальной обработкой данных.
Исследователи из Эдинбургского университета разработали новую систему обучения, называемую фазово-функциональной нейронной сетью (PFNN), которая использует машинное обучение для анимации персонажей в видеоиграх и других приложениях.
Подборка результатов с использованием PFNN для пересечения неровной местности: персонаж автоматически передвигается в соответствии с пользовательским управлением в реальном времени и геометрией окружения.
Исследователь Ubisoft Montreal и ведущий исследователь проекта Дэниел Холден (Daniel Holden) описал PFNN, как обучающий фреймворк, который подходит для создания циклического поведения, например, передвижения человека. Он и его команда также разрабатывают входные и выходные параметры сети для управления персонажами в режиме реального времени в сложных условиях с детальным взаимодействием с пользователем.