Will a robot take my job? | The Age of A.I.
Un nuevo sistema de inteligencia artificial ha desarrollado especialistas en animación por computadora que podrían hacer que las películas de acción sean más geniales que nunca. Investigadores de la Universidad de California, Berkeley, han desarrollado un sistema capaz de recrear algunos de los movimientos más hábiles en las artes marciales, con el potencial de reemplazar a los actores humanos de la vida real.
El estudiante graduado de UC Berkeley, Xue Bin ‘Jason’ Peng, dice que la tecnología da como resultado movimientos que son difíciles de separar de los humanos.
"Este es realmente un gran salto de lo que se ha hecho con el aprendizaje profundo y la animación", dijo Peng en un comunicado publicado con su investigación que se presentó en la conferencia SIGGRAPH de 2018 en agosto en Vancouver, Canadá, en agosto. “En el pasado, se ha trabajado mucho para simular movimientos naturales, pero estos métodos basados en la física tienden a ser muy especializados; No son métodos generales que puedan manejar una gran variedad de habilidades.
“Si comparas nuestros resultados con la captura de movimiento registrada por humanos, estamos llegando al punto en que es bastante difícil distinguir los dos, decir qué es la simulación y qué es real. Nos estamos moviendo hacia un doble virtual ".
Un artículo sobre el proyecto, apodado DeepMimic, fue publicado en la revista. ACM Trans. Grafico en agosto. En septiembre, el equipo hizo que su código y datos de captura de movimiento estuvieran disponibles en GitHub para que otros los probaran.
El equipo utilizó técnicas de aprendizaje de refuerzo profundo para enseñar al sistema a moverse. Tomó datos de captura de movimiento de actuaciones de la vida real, los introdujo en el sistema y los configuró para practicar los movimientos en una simulación por el equivalente a un mes entero, entrenando 24 horas al día. DeepMimic aprendió 25 movimientos diferentes como patadas y retrocesos, comparando sus resultados cada vez para ver qué tan cerca se acercó a los datos originales de mocap.
A diferencia de otros sistemas que pueden haber intentado y fallado repetidamente, DeepMimic dividió el movimiento en pasos, por lo que si fallaba en un punto, podría analizar su desempeño y modificarlo en el momento adecuado.
"A medida que progresen estas técnicas, creo que comenzarán a desempeñar un papel cada vez más importante en las películas", dice Peng. Inverso. “Sin embargo, como las películas generalmente no son interactivas, estas técnicas de simulación podrían tener un impacto más inmediato en los juegos y en la realidad virtual.
“De hecho, los personajes simulados entrenados usando aprendizaje por refuerzo ya están encontrando su camino hacia los juegos. Los juegos independientes podrían ser un campo de pruebas muy bueno para estas ideas. Pero puede tomar un poco más de tiempo antes de que estén listos para los títulos AAA, ya que trabajar con personajes simulados requiere un cambio bastante drástico con respecto a los procesos de desarrollo tradicionales ".
Los desarrolladores de juegos están empezando a experimentar con estas herramientas. Un desarrollador logró usar DeepMimic dentro del motor del juego Unity:
Señoras y señores, hemos completado el Backflip! Felicidades a Ringo, también conocido como StyleTransfer002.144 - utilizando # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer entrena un #ActiveRagoll de los datos de MoCap también conocido como Deepmimic http://t.co/gAGtYYeawE … #madewithunity pic.twitter.com/3iIoDsfdLe
- Joe Booth (@iAmVidyaGamer) 1 de noviembre de 2018
Peng tiene la esperanza de que el lanzamiento del código acelerará su adopción. También señala que el equipo "ha estado hablando con varios desarrolladores de juegos y estudios de animación sobre las posibles aplicaciones de este trabajo, aunque todavía no puedo dar demasiados detalles sobre eso".
Las máquinas luchan regularmente con movimientos complejos, como lo demuestran los robots que juegan al fútbol y que caen suavemente sobre la hierba en lugar de completar movimientos de alto octanaje. Hay signos de progreso, como A.I. se enfrenta a las complejidades de los movimientos del mundo real y comienza a corregirse más como los humanos.
Quizás DeepMimic podría algún día aprender un nuevo movimiento en segundos, similar a cómo Neo aprende kung fu en La matriz.
Lea el resumen a continuación.
Un objetivo de larga data en la animación de personajes es combinar la especificación del comportamiento basada en datos con un sistema que pueda ejecutar un comportamiento similar en una simulación física, lo que permite respuestas realistas a las perturbaciones y variaciones ambientales. Mostramos que los métodos conocidos de aprendizaje por refuerzo (RL) se pueden adaptar para aprender políticas de control sólidas capaces de imitar una amplia gama de clips de movimiento de ejemplo, al mismo tiempo que aprenden recuperaciones complejas, se adaptan a los cambios en la morfología y logran los objetivos especificados por el usuario. Nuestro método maneja movimientos con fotogramas clave, acciones altamente dinámicas como giros y giros capturados por movimiento y movimientos redireccionados. Al combinar un objetivo de imitación de movimiento con un objetivo de tarea, podemos entrenar a personajes que reaccionan de manera inteligente en entornos interactivos, por ejemplo, caminando en una dirección deseada o lanzando una pelota a un objetivo especificado por el usuario. Este enfoque combina la conveniencia y la calidad de movimiento del uso de clips de movimiento para definir el estilo y la apariencia deseados, con la flexibilidad y generalidad que ofrecen los métodos de RL y la animación basada en la física. Además, exploramos una serie de métodos para integrar múltiples clips en el proceso de aprendizaje para desarrollar agentes con múltiples habilidades capaces de realizar un rico repertorio de diversas habilidades. Demostramos resultados utilizando varios personajes (humano, robot Atlas, dinosaurio bípedo, dragón) y una gran variedad de habilidades, incluyendo locomoción, acrobacia y artes marciales.
Los trabajos de producción, alimentos y transporte serán reemplazados primero: Brookings
Los beneficios de la automatización y los perjuicios se compartirán de manera desigual. Esto se debe a que los diferentes trabajos, regiones y grupos de personas tendrán diferentes grados de susceptibilidad al desplazamiento laboral, según un nuevo artículo de los investigadores del Brookings Institute.
Los bates de béisbol con púas instalados alrededor de San Francisco pueden ser una amenaza para la tecnología
Aproximadamente 30 bates de béisbol con clavos martillados se han dejado encadenados a las señales de las calles alrededor de San Francisco. Nadie sabe quién es responsable de este acto de generosidad macabra, si es una protesta, si es el trozo de marca menos considerado en la era moderna, o incluso si se terminó. Lo que el pico ...
Por qué los teléfonos inteligentes pueden obtener una actualización con esta nueva tecnología de baterías
Los automóviles y los sistemas de almacenamiento en la red serían aún mejores si pudieran descargarse y recargarse decenas de miles de veces durante muchos años, o incluso décadas. Un científico de materiales mira hacia dónde se mueve la tecnología de las baterías y cómo los nuevos materiales mantendrán la revolución.