完整视频tut：youtu.be/lPfiMHQWP88
Ave，编码器！
现代计算机游戏世界中的物理学每年都在变得越来越准确和多汁，特别是如果我们不是在谈论诸如打砖块之类的休闲装和经典装，而是在一个开放世界和逼真的模型中进行点击，在这种情况下，每个关节尽可能自然地运动以模仿模型来自现实世界。
因此，例如，当我们的眼睛看到计算机狗运动时出现不自然的情况时，它将立即向大脑发送信号-出了问题。也许游戏玩家不会理解到底是什么错，但是大脑已经在潜意识中将它所看到的与现实生活中的体验进行了比较，例如，狗的移动方式和发现的错误。
因此，开发人员通常不手工编写代码，而是实时记录大量运动捕捉，然后将其用于游戏模型。
长期以来，人工智能一直用于这些目的，而游戏工作室也可以因此而取得真正的成果，但是今天，我们将讨论一种可以使竞争对手远远落后的发展-至少在其创建领域。但是谁说这样的事情不能进一步扩大呢？
篮球。运球。疯狂的动态。机架。处理球。模型移动很快，方向经常改变。这将需要一个非常宏大的解决方案，以便快速，有效地并且切实地处理所有这些动态优势。
而另一个挑战在于，仅给AI提供三个小时的运动训练培训材料，这与其他神经网络在类似任务上的训练相比简直是九牛一毛。
此外，神经网络必须能够模拟训练中未呈现但可用于玩家驱动模型的运动。
鉴于局限性，人工智能似乎应该至少部分无法应对这项任务。假设这三个小时的训练中包含了运动，则神经网络将毫无问题地适应，但是通过综合新的神经网络将变得更加困难，因此模型在某些时候的行为会不自然，但结果超出了所有预期。
在控制一个真实的球员时，即使篮球运动员像疯子一样按下控制按钮，他的动作也不会失去可塑性。
顺便说一下，关于模型行为的多样性。也就是说，在相同情况下运动看起来是否相同？以运球为例-AI能够增加多样性并改变模型运球的方式，将它们组合在一起以创建相同类型的新动作，并且仍能对控制做出响应。
盘带示例：
对于仅用三个小时就可以训练的神经网络来说，这是非常令人印象深刻的，但是还有其他事情可能超出预期。
玩家还可以将球扔进篮筐并反弹，尽管神经网络提供的训练材料少于7分钟，但模型的行为自然而然。
此外，该模型还能够综合训练材料中没有的运动，但是它认为适合某些情况。
从视频示例中可以看到，使用一种基于相函数神经网络的训练方法对一种模型进行了训练，而另一种模型则由AI4Animation进行了训练。
两种模型的比较：
当比较两个模型的运动时，玩家可能会注意到AI4Animation变体中明显缺乏刚度：活生物体固有的运动平滑度以及模型控制第三方对象（球）的方式。
运球时，由相功能神经网络训练的模型将球原样粘在玩家的手上，只是为了使她更容易计算模型的运动，但在这种情况下，它并没有带来明显的优势。
在AI4Animation中，模型对玩家的控制保持更敏感的响应，因此不仅看起来更愉悦，而且控制起来也更轻松。
现在，让我们想象一下，即使在五年或十年之内，但已经在一年之内，该技术将具备的功能。
它会改善多少？它将在其他哪些体育游戏中找到应用？只是...运动？仅在...游戏中？
在这种情况下，创建者仅在非常有限的专业范围内对神经网络进行了测试，即仅基于提供的有限训练数据来合成人类篮球模型自然运动的能力，而模型则必须保持可控性并充分响应控制。当然，质量不应因此受到影响。
现在，让我们看看如何将相同的技术应用于其他问题。
例如，画出的“好男孩”的动作就像狗在生活中的动作一样，此外，动作和步态完全适应命令和条件。
以“好男孩”为例：
在这里，阿努比斯决定将自己的神话般的屁股放在各种家具上，就像马利雪娃说的那样，自然而然地做到了。
Anubis示例：
或尝试在“什么？”中担任黑匣子的送货员。哪里？什么时候？”。剩下的只是教他如何旋转鼓。
无论如何，我们可以肯定埃及的死亡之神-他将在电视上拥有美好的未来。
您可以在这里查看：github.com/sebastianstarke/AI4Animation
这是V。看看Ave，Coder！频道
大道！