Carnegie Mellon Üniversitesi ve akıllı avatarlar geliştiren DeepMotion Inc. isimli Caifornia kökenli şirket, tecrübeden yola çıkarak top sürme becerisi öğrenebilen animasyon karakterlerini kontrol edebilmek için ilk kez fizik temelli, gerçek zamanlı bir yöntem geliştirdi. Bu çalışmada sistem, basket topunu süren gerçek insanların hareketlerini, hareket yakalama teknolojisi vasıtasıyla öğreniyor.
Deneme-yanılma usulü öğrenme yöntemi çok zaman almakta ve milyonlarca deneme gerektirmekte. Yine de tüm bu zorluklara rağmen, fiziksel olarak mümkün olan top hareketleriyle bir hayli koordine kol hareketleri elde ediliyor. Oyuncular bacaklarının arasında, sırtlarının arkasında top sürme ve top sürerek karşısındaki oyuncuyu geçme becerilerinin yanı sıra, bu beceriler arasında geçiş yapabilmeyi de öğreniyor.
Carnegie Mellon’da bilgisayar bilimleri ve robotik alanında çalışan Jessica Hodgins: “Beceriler bir defa edinildiğinde, yeni hareketler gerçek zamana kıyasla çok daha hızlı öğreniliyor” diyor.
DeepMotion’da başuzman olan Libin Liu ve Hodgins, bu yöntemi 12-18 Ağustos tarihleri arasında Vancouver’da düzenlenecek SIGGRAPH 2018 Bilgisayar Grafikleri ve İnteraktif Teknikler Konferansı’nda sunacak.
Makalenin başyazarı Liu: “Bu araştırma, yetenekli sanal avatarlara sahip spor simülasyonları için bir kapı açıyor. Bu teknoloji spor simülasyonunun ötesinde oyun, animasyon, hareket analizi ve hatta gelecekte robotik alanında daha interaktif karakterler yaratmak için kullanılabilir” diye belirtiyor
Hareket yakalama verisi, son teknoloji bilgisayar oyunlarına gerçeklik katmaya çoktan başladı bile. Ama bu oyunlarda aynı zamanda endişe verici bazı yapaylıklar da bulunabilir diye uyarıyor Liu. Örneğin imkânsız yörüngeler izleyen veya oyuncunun eline yapışmış gibi görünen toplara rastlamak mümkün.
Fizik tabanlı bu yöntem daha gerçekçi. Oyunlar yaratma potansiyeline sahip; ancak ince detayları tamamıyla yakalayabilmek de zor bir iş. Bu durum özellikle de, oyuncunun topla temasının çok kısa ve parmak pozisyonlarının bir hayli kritik olduğu top sürme için geçerli. Oyuncunun eliyle hafif temasın ardından topun dönmeye devam etmesi gibi bazı detayları yeniden oluşturmak oldukça zor. Üstelik top elden bir kez çıktığında, oyuncu topun ne zaman ve nereye döneceğini tahmin etmek zorunda. Liu ve Hodgins’in derin pekiştirmeli öğrenmeyi tercih etmesinin sebebi, modelin bu tür önemli detayları da algılamasını sağlamak. Yapay zekâ programları, bu tür derin öğrenmeyi çeşitli bilgisayar oyunlarını kavramak için kullanıyor. Mesela, meşhur AlphaGo programı, masa oyunu Go’da ustalaşmak için kullandı.
Hareket yakalama, koşarak top süren, topu bel etrafında çeviren ve durduğu yerde hem sağ elle hem de el değiştirirken top süren insanların verileri girdi olarak kullanıldı. Bu verilere, Liu’nun kesin olarak hesaplamanın çok zor olduğunu belirttiği top hareketleri dâhil değil. Bunun yerine, belirli bir el hareketine göre en muhtemel top yörüngesi optimizasyonu kullanılıyor.
Program bu becerileri iki aşamada öğrendi. İlkinde hareket becerisinde ustalaştı; ikincide kolları ve elleri nasıl kullanacağını anlayıp bu bilgiyle topun hareketlerini öğrendi. Bu farklı ikili yaklaşım, top sürme ve belki hokkabazlık gibi, kişi ve obje arasındaki etkileşimin kişinin dengesini etkilemediği eylemler için yeterli. Liu, futbol benzeri, dengenin oyun içi manevralarla bağdaştığı sporlarda uygulanabilmesi için daha fazla çalışma gerektiğini ekliyor.
