Tiefenlernen: Avatare lernen richtig dribbeln
Archivmeldung vom 09.08.2018
Bitte beachten Sie, dass die Meldung den Stand der Dinge zum Zeitpunkt ihrer Veröffentlichung am 09.08.2018 wiedergibt. Eventuelle in der Zwischenzeit veränderte Sachverhalte bleiben daher unberücksichtigt.
Freigeschaltet durch Thorsten SchmittForscher der Carnegie Mellon University und des auf virtuelle Avatare spezialisierten Unternehmens DeepMotion haben erstmals ein physikbasiertes Tiefenlern-Verfahren entwickelt, bei dem Avatare quasi durch Erfahrung lernen, einen Ball wirklich naturgetreu zu dribbeln. Die Basis dafür bilden Motion-Capture-Daten. Der Ansatz könnte helfen, dass Basketball-Games in Zukunft noch realistischer aussehen.
Keine klebenden Bälle
Die Avatare in modernen Basketball-Games wie "NBA 2K18" sehen dank Digitalisierungstechniken zwar aus wie die realen Stars, doch bei den Bewegungen hapert es noch. Motion Capture ist zwar ein Standard, doch hässliche Artefakte, wie beim Dribbling an der Hand klebende Bälle oder unmögliche Wurfbahnen, sind noch Alltag. Eben das soll sich durch das neue Verfahren ändern. Denn dabei lernt ein Avatar durch Versuch und Irrtum, wie Dribbeln funktioniert, sodass in Verbindung mit einem passenden virtuellen Ball unglaublich realistische Animationen entstehen.
Das Verfahren nutzt Motion-Capture-Daten als Basis für ein Tiefenlernverfahren, bei dem die KI hinter dem Avatar in Millionen von Versuchen lernt. Zuerst meistert es dabei die grundlegenden Bewegungen, dann erst Feinheiten in Hand- und Armpositionierung, die für die Kontrolle über den Ball wichtig sind. "Diese Arbeit öffnet die Tür für simulierten Sport mit geschickten virtuellen Avataren", meint Libin Liu, Chefwissenschaftler bei DeepMotion. Die Technologie könnte eben für Games und Animation, aber auch für Bewegungsanalysen und langfristig die Robotik interessant sein.
Entkopplungs-Trick
Ein Trick, dessen sich das Team bedient hat: Hand- und Ballbewegung entkoppeln. Letztere sind nämlich laut Liu schwer präzise aufzunehmen. Daher nutzt das Lernverfahren nur Motion-Capture-Daten von Hand und Arm, während für den Ball wahrscheinliche Flugbahnen mit mathematischen Methoden berechnet werden. Damit ist der Ansatz eigentlich nur für Bewegungsabläufe geeignet, bei denen die Interaktion mit dem Ball das Gleichgewicht des Avatars nicht beeinflusst. Auf Sportarten wie Fußball, wo eben das doch oft vorkommt, lässt sich die Idee also ohne weitere Forschungsarbeit nicht übertragen, so Liu.
Quelle: www.pressetext.com/Thomas Pichler