網球運動以動作模擬技術迎來新一代的突破
簡介
Simon Fraser 大學的計算科學助理教授 Jason Peng 帶領的研究團隊正在將動作模擬技術推向新的高度，並以網球比賽來展示虛擬運動員的動作能有多逼真。這個團隊使用機器學習系統，從廣播影片中學習各種模擬網球技巧。他們的研究論文將於 8 月 6 日至 10 日在洛杉磯舉行的第 50 屆 SIGGRAPH 會議上發表。
技術細節
傳統的運動影片遊戲通常使用動作捕捉技術來產生高品質的動畫，但結果受限於具體錄製過程中捕獲到的動作，約束了角色可以執行的動作的多樣性。根據 Peng 和 Stanford 大學、多倫多大學、Vector Institute 和 NVIDIA 的研究人員的新開發，遊戲設計師可能很快就能透過模模擬實運動員的錄影片段讓他們的角色學會移動，並自動模擬新的變化和反應行為。
Peng 團隊所開發的動畫系統可以透過從體育遊戲中學習真實運動員的錄影片段來產生人物的動作。該系統利用層次化控制模型，結合低層次的模仿策略和高層次的運動規劃策略，引導從廣播影片中學習到的人物動作。由於系統所涉及的元件的複雜性，從真實網球比賽的錄影中訓練虛擬選手模型是一項具有挑戰性的任務。團隊最初的嘗試生成了噪聲和不穩定的選手動作，使得模擬真實行為變得困難。為理解決從廣播影片中提取的低質量動作，團隊實現了一個基於物理的模仿運動校正系統，用於改正學習到的動作中的錯誤。這樣，動畫系統現在可以為物理模擬的網球選手生成穩定的控制器，能夠使用各種擊球方式（包括正手、反手）、旋轉（上旋和切削）以及各種打法風格（單手或雙手反手、左撇子或右撇子）準確地擊打來球至目標位置。
技術的應用以及展望
當前這一動作學習系統僅限於網球，但 Peng 預見將來該技術可能應用於其他運動，如籃球、曲棍球和足球。Peng 表示:「我們當然打算擴充套件到網球以外的其他運動，這個系統本身非常通用，可以應用於其他運動遊戲和活動。」他補充說:「我們的長期目標之一是找到一種將這種系統作為機器人從分析影片中學習技能的方法。」這一技術有望在設計虛擬運動員和機器人方面產生深遠影響。
評論與觀點
這項研究開發的動作模擬技術在運動影片遊戲的發展中具有重要意義。傳統的運動影片遊戲通常需要以人工將各種動作進行捕捉和複製，這約束了遊戲角色的多樣性和真實感。而這項技術使用機器學習和物理模擬，使得遊戲角色能夠從真實世界的運動員中學習動作，產生更加真實逼真的動態。這將為遊戲設計師帶來更多自由創作的空間，同時為玩家提供更加沉浸式的遊戲體驗。
然而這項技術還面臨一些挑戰。例如，從真實運動員的影片片段中學習動作需要大量的資料和計算資源。同時如何保證從影片中學習到的動作能夠準確地被模擬和應用於遊戲中，也是一個需要解決的難題。此外技術的通用性和可擴充套件性也是值得關注的問題。當前這一技術僅限於網球，但隨著研究的深入，將來可能能夠應用於更多運動領域。
結論
Simon Fraser 大學的研究團隊透過開發動作模擬技術的新一代，為運動影片遊戲的未來帶來了令人期待的突破。他們使用機器學習和物理模擬，使得遊戲角色能夠從真實運動員中學習動作，並產生更加真實逼真的動態。儘管技術當前僅限於網球，但 Peng 團隊預計將來擴充套件到其他運動領域。這項技術的應用將影響遊戲設計和機器人技術，為人們提供更加多樣和沉浸式的遊戲體驗。
