NVIDIA全新AI带你享受潮玩游戏体验！

目录

1. 不幸的局面
   • 1.1 运动质量与通用性的不足
2. 幸运的发现
   • 2.1 基于对抗性动作先验（AMP）的技术
   • 2.2 增强了运动质量和通用性的新技术
3. 为什么这是个突破
   • 3.1 高质量且有风格的动作
   • 3.2 对新对象和环境的泛化能力
4. 严格的测试和鲁棒性
   • 4.1 抗干扰测试的结果
   • 4.2 成功率的限制和改进空间
5. 一个具有潜力的应用领域
6. 总结
7. 常见问题解答

🎯 不幸的局面

在电子游戏中，计算机动画遇到了一个不幸的局面。我们创建了一个美丽的虚拟世界，并且在其中创造了许多角色，但我们希望看到这些角色之间的互动。然而，过去的技术要么在运动质量上存在问题，要么在通用性上存在问题。换句话说，如果运动质量很高，那么这些动作就无法适应新场景；如果它们能够适应新场景，通常运动质量就较低。这就是不幸的局面。

🍀 幸运的发现

但是，让我们转向幸运的一面。我感觉今天非常幸运。你知道为什么吗？因为我似乎是第四个阅读到这篇论文的人。我非常兴奋地告诉大家，我找到了一个宝藏，可以解决我们手头的问题。

这项研究是在 SIGGRAPH 2021 的基础上构建的，它建立在对抗性动作先验（AMP）论文之上。该论文利用了一组现实中人类的运动片段数据集，例如奔跑、跳跃、滚动甚至拳击，结合这些动作在视频游戏世界中的运用，从而根据环境的优势来完成游戏关卡。那么，这项新技术到底能否达到我们的期望呢？答案是肯定的！

🚀 为什么这是个突破？

这项新技术不仅是对 AMP 技术的改进，还推广了它，使得角色不仅能在场景中奔跑，还能与场景进行交互。这意味着什么呢？

1. 首先，它终于能够创建高质量的动作了，就像你在这里看到的一样。它鼓励用有风格的方式解决任务，并以高质量的动作来展示。
2. 其次，这项技术还能泛化到新的对象和环境中。这是一个绝妙的突破！

这项技术在训练中使用了各种不同类型、方向和位置的物体。而当我说它们可以以有风格的方式完成任务时，我的意思是它们真的可以以有风格的方式完成任务。看看这个可爱的角色，它太棒了！这些物体是全新设计的物体，AI以前从未见过，但它仍然能够很好地使用它们。这项技术在创建高质量的动作方面取得了突破，而且还能泛化到新的场景中。

💪 严格的测试和鲁棒性

这项技术经过了严格的测试，科学家们发现，无论我们把任何类型的盒子放在任何位置，这个小小的AI都能够将其带回来。我特别喜欢这个场景，它展示了一系列不同的走向物体并坐在上面的动作。如果能制作一个类似音乐椅游戏的版本，在每轮中淘汰其中一个可怜的角色，看谁是最好的AI，那将再好不过了！

而且，你是否也在思考我正在思考的事情？你知道接下来会发生什么吗？当然，是对外部扰动的测试。哦，是的，这是计算机图形学研究人员最喜欢的消遣活动之一。看看，这些角色不仅非常鲁棒，而且非常有耐心。看看这些研究人员尝试给它们制造的恶作剧，一个也没有成功。太好了！太喜欢了！看...噢！哇！好吧，你现在可以坐下了。哇！不好意思，我忍不住。现在你可以坐了。做得好！耐心的AI，给你一个A+！

现在，即使这项技术并不完美，成功率可能不是百分之百，但通常在90%以上，我相信这可以得到改进，或者至少通过某种方式进行过滤，以接近100%的应用效果。如果我们开始对它们进行一些挑衅，比如向它们扔盒子或使它们绊倒，这个成功率会下降约3到10%。考虑到我们对它们的恶劣对待，这个结果非常可观。对此我深感抱歉，但是我们必须继续测试。

💡 一个具有潜力的应用领域

这项技术在计算机动画领域取得了突破，开辟了一个具有巨大潜力的应用领域。无论是在电子游戏中还是在虚拟现实环境中，这个技术都可以为角色赋予更加逼真和交互性的动作，提供更加沉浸式的体验。

📚 总结

在这篇文章中，我们讨论了计算机动画在电子游戏中的不幸局面以及一个幸运的发现。通过一项基于对抗性动作先验的新技术，我们终于能够创建高质量且有风格的动作，并让角色能够在新的对象和环境中进行交互。这项技术经过了严格的测试，表现出了很好的鲁棒性。虽然并不完美，但它在真实应用中仍然具有巨大的潜力。这是计算机动画领域的一次重要突破。

❓ 常见问题解答

问题：这项技术是否可以在其他领域中应用？

答案：虽然这项技术的重点是电子游戏和虚拟现实，但它的原理和方法也可以被应用在其他领域，如电影制作和人机交互等。

问题：这项技术的局限性是什么？

答案：尽管这项技术在许多方面取得了巨大突破，但成功率并非百分之百，并且在面对外部干扰时可能会有所下降。此外，该技术的应用范围还需要进一步扩展和改进。

问题：我需要特殊硬件才能使用这项技术吗？

答案：不需要。这项技术的基本原理适用于一般计算机系统，并且在通用计算机设备上运行良好。

问题：有哪些资源可以深入了解这项技术？

答案：以下是一些相关资源：

• Adversarial Motion Priors (AMP) 论文
• SIGGRAPH 2021 官方网站