Svolta nei videogiochi: algoritmi di intelligenza artificiale a supporto del motion capture

I videogiochi potranno diventare ancora più realistici, grazie ad una ricerca dell’Università della California.

Dalla loro nascita – fine anni ’50 – ad oggi, i videogiochi hanno vissuto molteplici tappe evolutive, sotto più punti di vista, grafico, tecnologico e anche sociale, fino a diventare elemento integrante della vita di gran parte della popolazione.

Soprattutto, l’implementazione di determinate tecnologie permettono, da anni ormai, di godere di animazioni realistiche durante l’esperienza di gioco. Si tratta del motion capture, tecnica molto utilizzata nel campo dell’entertainment. In pratica, ognuna di queste animazioni deve essere registrata utilizzando apparecchiature dedicate, sensori, set specifici e attori-stunt in carne ed ossa. Questi ultimi indossano una tuta di velcro ricoperta di sensori, che percepiscono i movimenti e trasmettono i dati al computer.

Utilizzato sia nel cinema che nel mondo dei videogames, l’obiettivo del motion capture è quello di acquisire i movimenti di una persona reale, per poi trasferirli ad un personaggio animato, creando un effetto quanto più realistico possibile (Assassin’s Creed, Star Wars Battlefront, solo per citarne alcuni).

Tuttavia, le animazioni in motion capture hanno un limite enorme: non sanno adattarsi ad ambienti e situazioni particolari, senza contare l’impiego di grandi quantità di tempo e di denaro che questa tecnica comporta.

La ricerca americana

Ed ecco che si fa avanti l’intelligenza artificiale. Nello specifico, una ricerca dell’ Università della California, Berkeley (UC Berkeley), sembra poter cambiare definitivamente il destino dei videogiochi. Il sistema si chiama DeepMimic, che non solo riesce a generare animazioni in modo autonomo, ma è anche in grado di adattarsi meglio ai diversi contesti di gioco.

Quali sono i limiti di movimento superabili grazie a DeepMimic?

Le animazioni ricavate con questa tecnica, possono essere applicate a soggetti diversi che operano in ambienti differenti, per una versatilità impossibile da ottenere con il motion capture.

Ecco di seguito qualche caso concreto:

Esempio n.1: Un soggetto che, durante un salto, viene colpito da un oggetto. Grazie alla nuova tecnologia, è possibile creare animazioni che si adattano ai diversi angoli di impatto, generando situazioni sempre nuove e realistiche;

Esempio n.2: La corsa di un uomo in salita non è identica a quella di una persona che cammina in piano;

Esempio n.3: Altro caso particolare sono i terreni sconnessi, che provocano variazioni rilevanti nell’andatura;

Esempio n.4: Se un personaggio salta da un metro di altezza effettua un certo movimento, da due un altro e da tre un altro ancora. Utilizzando il motion capture andrebbe creata un’animazione per ognuno di questi contesti, ma non viene quasi mai fatta, perché dispendiosa, preferendo utilizzare la stessa. Con questa tecnica innovativa, invece, sono le animazioni ad adattarsi al contesto, adeguandosi, in base alla fisica dell’impatto.

“Con il motion capture, i dati che abbiamo sono tutto ciò che abbiamo, nel senso che se catturiamo il movimento di qualcuno che esegue un dribbling con la palla attraverso la stanza a una velocità particolare, allora lo abbiamo a quella velocità”, afferma Jessica Hodgins, docente di computer science e robotica alla Carnegie Mellon University. “Non abbiamo la capacità di adattarlo, facendolo correre a velocità diversa, o fare il dribbling con una modalità diversa.”

Come funziona l’algoritmo DeepMimic

In pratica, un gruppo di ricercatori americani ha sfruttato la tecnica del motion capture, per registrare i movimenti di un vero stuntman. Dopodiché, grazie ad una lunga fase di apprendimento con tecniche di intelligenza artificiale e machine learning, il sistema ha cominciato a far muovere il manichino virtuale. Così ha cominciato a fare salti, capriole, piroette e tanti altri movimenti acrobatici.

La particolarità è che l’apprendimento in questione non è stato istantaneo, infatti il manichino virtuale si è allenato ventiquattro ore al giorno, sette giorni su sette, per circa un mese, per riuscire a ripetere ogni mossa esattamente come la controparte umana.

Dopo vari tentativi, tra cadute, goffaggini e posizioni  innaturali, è riuscito nell’impresa, ed ora è un vero maestro nelle arti marziali, nella break dance e tante altre attività specifiche.

“Un artista può fornire solo qualche esempio alla macchina, e questa creerà animazioni adatte ad ogni contesto”.

Quale tecnica di Intelligenza artificiale c’è dietro DeepMimic?

Si tratta di un processo per tentativi, durante il quale il programma compie errori e valuta la migliore possibilità.

Tecnicamente, DeepMimic è una rete neurale artificiale che si allena proprio sulla base dei dati ricavati in fase del motion capture. Tale rete neurale sarà costituita da dati in ingresso/input da un lato e elementi di ricompensa/reward dall’altro.

La configurazione delle braccia e delle gambe, ad un determinato tempo t, rappresenta l’input della rete neurale.

La ricompensa, invece, non è altro che la differenza tra il movimento reale e la simulazione, ad un determinato tempo t.

Questa rete neurale viene allenata usando un apprendimento rinforzato, meglio conosciuto come “deep reinforcement learning”.

L’apprendimento di rinforzo non ha il fine di far ragionare il calcolatore similmente ad un umano, bensì quello di dare un segnale di quanto il manichino virtuale (nel nostro caso) stia raggiungendo l’obiettivo e lascia che sia lui a capire come migliorare. Non è né più né meno che la versione computerizzata dell’apprendimento umano per tentativi ed errori.

Un po’ come avviene nei rapporti interpersonali. Ad esempio, quando intratteniamo una conversazione non facciamo altro che ricevere stimoli dal soggetto con cui discutiamo per proporne a questo a nostra volta di nuovi. Quello che faremo noi, inconsciamente, sarà attribuire un punteggio di gradimento ad ogni frase che ci viene detta.

Suddetto punteggio o ricompensa non deve essere necessariamente reale positivo: possiamo infatti considerare anche punteggi negativi (ad esempio una caduta del manichino virtuale) o nulli (movimento indifferente).

L’ idea è quella di dare fiducia ad opzioni meno promettenti, secondo la tecnica “exploring”, che è fondamentale nel settore della robotica, perché permette di esplorare sempre nuove possibilità.

L’implementazione di questa nuova tecnologia

Considerate che la simulazione del movimento reale non è certamente una tecnologia inedita, ma ha sempre richiesto programmi complessi con vari algoritmi. DeepMimic, però, si dimostra unico perché è in grado di imparare un repertorio molto ampio di movimenti. Inoltre, si è già dimostrato migliore degli attuali programmi in commercio, anche per animare manichini di leoni e draghi, con risultati sorprendentemente realistici.

Non appena tale tecnologia sarà affinata e implementata nei video giochi, allora, probabilmente, sarà davvero difficile differenziare un avatar che gioca a pallacanestro nella vostra PlayStation, da un campione degli NBA.