Predecir el movimiento con RSO Pose

Aprender del movimiento humano

Entrenamos RSO Pose con captura de movimiento humano para generar movimiento pose a pose. Nuestro controlador dirige un personaje en simulación, con caminar, correr y girar como base. Un cambio en la dirección o el ritmo solicitado modifica el movimiento que genera el controlador.

La captura de movimiento registra cómo cambia el cuerpo a lo largo del tiempo. Una secuencia al caminar incluye el momento de cada paso y la coordinación entre las piernas y el tronco. Un giro se desarrolla durante varios instantes, mientras el personaje cambia su orientación y sigue moviéndose. Esas secuencias ofrecen ejemplos de los que un modelo puede aprender.

Entrenar el controlador

Nuestro trabajo parte de la arquitectura DeepPhase publicada. Entrenamos nuestra propia representación de fase y nuestro controlador con movimiento humano, y después adaptamos el controlador para utilizarlo en una simulación en tiempo real.

La representación de fase describe patrones del ritmo del movimiento en todo el cuerpo. Da al controlador información sobre el punto de la secuencia en el que se encuentra el movimiento. Esto importa porque la siguiente pose depende tanto de cómo llegó el personaje a su posición actual como de adónde se le pide que vaya.

El controlador utiliza el movimiento reciente junto con la dirección y el ritmo solicitados para predecir lo que sigue. El entrenamiento con secuencias grabadas nos da ejemplos de esa relación. Ejecutar el controlador de forma interactiva nos permite examinar cómo se comporta cuando las poses que él mismo genera pasan a ser el historial de la siguiente predicción.

Generar movimiento continuo

Cada pose predicha pasa a formar parte de la entrada del siguiente paso. El personaje avanza así por una secuencia continua de resultados del modelo mientras responde a los controles de dirección. Podemos cambiar de dirección durante una carrera y examinar cómo se desarrolla el giro a través del cuerpo.

Esta predicción repetida es una parte importante de las pruebas. Una pose individual plausible ofrece una visión limitada del comportamiento. También examinamos si el movimiento mantiene su coherencia a lo largo de una secuencia, cómo se ven las transiciones a velocidad normal y cómo responde el personaje cuando cambian los controles.

Caminar y correr sirven de base para ese trabajo. La repetición de pasos permite examinar los tiempos y el contacto de los pies durante varios ciclos. Girar añade otra exigencia: el personaje debe cambiar de trayectoria mientras continúa el movimiento que ya ha iniciado.

El contacto con el suelo

El movimiento generado también tiene que encajar en el mundo simulado. Combinamos las poses del modelo con ajustes de contacto y refinamientos del control para trabajar en la colocación de los pies y las transiciones. Estas partes del controlador ayudan a situar la animación dentro de la escena.

Probamos el resultado en una simulación controlable en tiempo real. La secuencia de poses aprendida y los ajustes utilizados para adaptarla al suelo tienen funciones distintas. Mantener clara esa distinción nos ayuda a entender qué parte del sistema necesita atención cuando un pie se desliza o una transición no se ve bien.

Hacia una robótica más natural

Queremos que el movimiento de los robots sea más fácil de interpretar y anticipar. Un ritmo y una coordinación familiares pueden ayudar a entender un cuerpo que se aproxima o a reconocer que está a punto de girar. Es una dirección para seguir trabajando, incluido el estudio de cómo responden las personas a ese movimiento.

Los videojuegos, los avatares digitales y las herramientas de animación también son posibles aplicaciones. Nuestro controlador actual funciona en simulación. Un robot físico plantearía más requisitos de equilibrio y contacto, además del control de su hardware específico. Necesitarán su propio desarrollo y evaluación.