篮球运动员在掌握运球之前需要进行大量练习

篮球运动员在掌握运球之前需要进行大量练习，结果证明这对于电脑动画运动员来说也是如此。通过使用深度强化学习，视频篮球比赛中的玩家可以从动作捕捉数据中收集洞察力，以提高他们的运球技巧。

卡内基梅隆大学的研究人员和开发智能化身的加利福尼亚公司DeepMotion公司首次开发了一种基于物理的实时方法来控制动画角色，这些角色可以从经验中学习运球技巧。在这种情况下，系统从运动捕捉中学习运动篮球运动员所进行的运动。

这种试错法学习过程非常耗时，需要数百万次试验，但结果是手臂运动与物理上合理的球运动紧密协调。玩家学会在他们的双腿之间运球，背后运球并进行交叉动作，以及如何从一种技能转换到另一种技能。

“一旦掌握了技能，就可以比实时更快地模拟新动作，”卡内基梅隆大学计算机科学与机器人学教授Jessica Hodgins说。

DeepMotion首席科学家Hodgins和Libin Liu将于8月12日至18日在温哥华举行的SIGGRAPH 2018年计算机图形学和交互技术大会上展示该方法。

“这项研究打开了通过熟练的虚拟化身来模拟运动的大门，”该报告的第一作者刘说。“该技术可以应用于运动模拟之外，为游戏，动画，运动分析以及未来的机器人技术创造更多互动角色。”

动作捕捉数据已经为最先进的视频游戏增添了真实感。但这些游戏还包括令人不安的文物，刘说，如跟随不可能的轨迹的球或似乎坚持玩家的手。

基于物理的方法有可能创造更逼真的游戏，但是很难获得细微的细节。对于运球来说尤其如此，因为球员与球的接触很短暂并且手指位置很关键。一些细节，例如当球与球员的手轻微接触时球可能继续短暂旋转的方式，很难再现。一旦球被释放，球员必须预测球何时何地将返回。

Liu和Hodgins选择使用深度强化学习来使模型能够获得这些重要细节。人工智能程序使用这种形式的深度学习来计算出各种各样的视频游戏，并且着名的AlphaGo程序用它来掌握棋盘游戏 Go。

用作输入的动作捕捉数据是人们做的事情，例如在腰部旋转球，在跑步时运球以及用右手和转手时盘带。这个捕获数据不包括球运动，刘解释说很难准确记录。相反，他们使用轨迹优化来计算球最可能的路径，用于给定的手部动作。

该计划所学到的技能分为两个阶段，第一它掌握运动，然后学会了如何控制的胳膊和手，并通过他们的运动中的球。这种分离的方法足以用于诸如运球或者杂耍之类的动作，其中角色和物体之间的相互作用不会影响角色的平衡。刘说，需要进一步的工作来解决体育运动，例如足球，其中平衡与游戏动作紧密相关。