Learning of structured trajectory models with high flexibility for computer animation

学习具有高度灵活性的计算机动画结构化轨迹模型

• 批准号: 18510190
• 负责人: Professor Dr.-Ing. Martin A. Giese, Ph.D.
• 金额: --
• 依托单位: Sektion Theoretische Sensomotorik
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2006
• 资助国家: 德国
• 起止时间: 2005-12-31 至 2010-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/18510190?language=en
• 关键词: Learning; structured; trajectory; models; flexibility

Die effektive Generierung realistischer menschlicher Bewegungen in Echtzeit ist ein Kernproblem in der Computeranimation und für Computer-Spiele. Animationen mit Motioncapturedaten bieten den Vorteil hoher Realitätsnähe, erfordern aber häufig eine aufwendige Nachbearbeitung der aufgenommenen Trajektorien. Animationssysteme, die auf dynamischen Gleichungen beruhen können das Verhalten von animierten Figuren in Echtzeit generieren. Jedoch müssen die erzeugten Bewegungen oft vereinfacht werden, weil ansonsten die zugrunde liegenden Kontrollarchitekturen zu komplex werden. Wir haben einen biologisch inspirierten Ansatz entwickelt, der erlaubt, flexible strukturierte Modelle von Klassen von Trajektorien basierend auf einer neuen Methode zur blinden Quellenseparation zu lernen und der die gelernten Trajektorienmodelle in eine Systemarchitektur zu transformieren, die komplexe menschliche Bewegungen in Echtzeit mit Hilfe relative einfacher nichtlinearer dynamischer Systeme erzeugt. Wir haben gezeigt, dass dieser Ansatz sowohl für periodische als auch für nichtperiodische Bewegungen anwendbar ist und dass er mit wichtigen anderen Modulen der Online-Animation integriert werden kann, wie Navigation, Bewegungsmorphen und der Synchronisation mit externen Signalen, z.B. Musik-Rhythmen. Die entwickelte Methode erlaubt, die Integration dynamischer Primitive in komplexen Systemarchitekturen mit wohldefinierten Stabilitätseigenschaften. Die geplanten zukünftigen Arbeiten werden versuchen, die entwickelte Methode weiter zu vervollständigen und durch die folgenden Aspekte zu erweitern: 1) das Lernen räumlich lokaler primitive durch Sparsifizierung und die Entwicklung dynamischer Kontrollarchitekturen zu ihrer Integration, speziell zur Simulation von kinematischem Kontakt zwischen mehreren Avataren. 2) Entwicklung einer systematischen Designtheorie für dynamische Kontrollarchitekturen mit garantierten Stabilitätseigenschaften, wobei zur Stabilitätsanalyse Methoden der neuentwickelten Kontraktionstheorie eingesetzt werden sollen. 3) Übertragung der entwickelten Methode auf Gesichtsbewegungen in Kooperation mit dem Max-Planck-Institut für biologische Kybernetik. 4) Psychophysische Validierung der Methode zur Bewegungsgenerierung durch Vergleich mit Motioncapture-Ground-Truth-Daten.

如何有效地生成现实主义的人类行为是计算机动画和计算机游戏中的一个核心问题。动画与运动捕捉比其他真实感更好，因此需要一个更高层次的动画。动画系统，这一动态的Gleichungen被认为是在当代一般的动画人物身上。Jedoh müssen die erzeugten Bewegungen often vereinfacht韦尔登，weil anssten die zugunde liegenden Kontrollarchitekturen zu komplex韦尔登.我们有一个生物学的启示，即基于一种新的方法，在一个系统中盲目地分离学习和凝胶化的Trajektorien模型的基础上，建立一个基于Trajektorien的Klassen的灵活的结构模型，在一个转换的系统中，复杂的人在Echtzeit中与一个相对的非线性动力系统一起工作。我们已经知道，这种周期性的动画也可以用于非周期性的动画制作，并且它可以集成韦尔登的任意一个模块，如导航、动画形态和外部信号的同步。音乐节奏。 该方法是一种复杂系统中的集成动态原语，具有明确的稳定性。劳动力韦尔登的基本方法是：1）通过稀疏化和动态控制的集成，实现对Avataren运动学的模拟。2)开发一种系统的动态控制设计理论，并保证其稳定性，这是一种新的动态控制理论的稳定性分析方法。 3)在与马克斯-普朗克生物学研究所的合作中，我们发现了一种新的方法。4)运动捕捉-地面-真实数据法的心理生理学验证。