Damit menschliche Bewegungen in Animationen echt aussehen, werden sie per Motioncapturing digitalisiert und können so mit der zu animierenden Figur nachvollzogen werden. Ein Problem stellt aber nicht nur die (physikalisch, anatomisch und kontextuell) sinnvolle Kombination von Bewegungsabläufen oder auch einzelnen Elementen wie zum Beispiel der Bewegungen des Ober- und Unterkörpers dar, sondern auch die Bodenhaftung - die Füße wirken oft schwebend.
Aber auch hier ist der DeepLearning Ansatz extrem erfolgversprechend: anstatt für alle möglichen Fälle Regeln zu definieren, welche Bewegung auf welche folgen darf, lernt ein KI Algorithmus anhand von Trainingsmaterial von Bewegungen echter Menschen die korrekten Abfolgen einzuschätzen.
Der neue Algorithmus von Sebastian Starke nutzt 20 Stunden von Motion Capture Trainingsadaten, um menschliche Kampfsport-Bewegungen zu "verstehen" und nicht nur natürlich aussehende Bewegungsfolgen, sondern auch neue "Moves" zu synthetisieren. So lernt die KI zum Beispiel aus Trainingsmaterial von einem Boxangriff und einer defensiven Haltung und kombiniert diese dann auf Wunsch zu einer Bewegung die beides beinhaltet. Ebenfalls realistisch simuliert werden Interaktionen mit einem Gegner wie die Reaktionen auf Treffer, das Ausweichen eines gegnerischen Angriffs oder ein gemeinsamer Clinch.
Das ganze bleibt nicht abstrakt: die Bewegungen können ganz einfach mit einem Gamecontroller gesteuert und in Echtzeit dargestellt werden - ideal für Echtzeitanwendungen wie Computerspiele. Und das Schöne ist, dass durch den DeepLearning Algorithmus eine Universalität der simulierten Bewegungen ermöglicht wird. So sind einfach durch anderes Trainingsmaterial anstatt von Kampfsportbewegungen auch ganz andere Arten natürlicher menschlicher Bewegungsmuster erlern- und synthetisierbar wie zum Beispiel auch Tanzbewegungen, die ja auch oft in Interaktion erfolgen, allerdings mit einem Partner statt Gegner.
Und hier wird der Algorithmus nochmal schön erklärt von Károly Zsolnai-Fehér von 2 Min Papers:
