Los jugadores de basketball necesitan mucha práctica para convertirse en buenos en el arte de driblar, y parece ser que esto es cierto cuando se consideran jugadores animados por computadora también. Usando aprendizaje profundo reforzado, los jugadores en un juego de video de basketball pueden descubrir gracias a la captura de movimiento, cómo mejorar sus habilidades para los dribles.
Este proceso de prueba y error lleva mucho tiempo y requiere muchos millones de intentos, pero el resultado es interesante, pues el movimiento de los brazos está coordinado de manera plausible con los movimientos físicos de la pelota. Los jugadores aprenden a driblar entre las piernas, detrás de ellos e incluso, hacer movimientos cruzados, para hacer la transición de una habilidad a otra. “Una vez que se aprenden las habilidades, nuevos movimientos pueden ser simulados mucho más rápidamente en tiempo real”, dice Jessica Hodgins, profesora del departamento de ciencias de la computación y robótica de Carnegie Mellon.
Hodgins y Libin Liu, jefe de ciencias en DeepMotion, presentarán sus avances en SIGGRAPH 2018, la Conferencia sobre Gráficas de Computadoras y Técnicas Interactivas, que se llevará a cabo del 12 al 18 de agosto en Vancouver, Canadá.
“Esta investigación abre la puerta a los deportes simulados que requieren habilidades de los avatares virtuales”, dijo Liu. “La tecnología puede ser aplicada más allá de la simulación de los deportes para crear caracteres más interactivos para juegos, animaciones, análisis de movimiento y en el futuro, robótica”, indicaron los investigadores.
Ya la captura de movimiento añade realismo al estado del arte de los videojuegos, pero estos juegos incluyen a veces aparatos desconcertantes, anota Liu, como pelotas que siguen trayectorias imposibles o que se pegan a la mano del jugador. El método de los investigadores tiene que ver con la física, lo que finalmente nos habla de una simulación, lo que permite, al menos de forma potencial, hacer juegos más realistas. Los problemas empiezan cuando se trata de hacer los movimientos de por ejemplo, un basketbolista, pues al driblar, el contacto con la pelota es muy breve y la posición de los dedos es crítica. Algunos detalles, por ejemplo, como la bola sigue girando brevemente cuando toca los dedos del jugador son difíciles de reproducir. Y una vez que se suelta la pelota, el jugador debe anticipar cuándo y dónde la pelota quedará.
Liu y Hodgins han optado por usar aprendizaje reforzado profundo para permitir al modelo hacerse de los detalles importantes. Los programas de IA que usan esta forma de aprendizaje profundo se han usado en una variedad de videojuegos y en el programa AlphaGo, que venció al mejor jugador del juego de mesa oriental hace un par de años.
La captura de movimiento se usó como dato de entrada para ver cómo las personas hacían cosas como rotar la pelota, girar la cintura, driblar, mientras se corre y se dribla con la mano derecha o cuando se intercambian manos. Esta captura de movimiento no incluye los movimientos de la bola, los cuales Lui explica, son difíciles de reproducir con precisión. En lugar de eso, se usaron trayectorias de optimización para calcular la trayectoria más probable de la bola para cierto movimiento de la mano.
El programa aprendió la habilidad en dos etapas. Primero el cómo moverse y controlar los brazos y manos y entonces, el movimiento de la bola. Este enfoque desacoplado es suficiente para acciones como driblar e incluso hacer piruetas con la pelota, donde la interacción entre el caracter y el objeto no tienen efecto en el balance del personaje.