ゲーム開発にAIを活用しよりリアルなキャラクターを作成

要点

ゲームへのAIの応用はとどまるところを知らない。ゲームのキャラクターの動作を強化学習によって実現し、よりリアルな動きを表現する例が登場した。サッカー選手の動きを学習して、ジョギングやスプリントなどのアニメーションを自分で作ることができる。ゼロからゲームを生成するGAN（敵対的生成ネットワーク）も誕生した。

強化学習でアニメーションプロセスを自動化

FIFAやMaddenなどの人気ゲームを開発しているエレクトロニック・アーツ社の研究者たちは、開発プロセスをスピードアップし、ゲームをよりリアルにする方法として、人工知能の最近の進歩をテストしている。さらに、研究者たちは、初期のコンソールゲーム機で実験することで証明されたAI技術を利用している。

EAとバンクーバーにあるブリティッシュ・コロンビア大学のチームは、強化学習と呼ばれる技術を使って、人型のキャラクターを自動的にアニメーション化するために、動物がポジティブなフィードバックやネガティブなフィードバックに反応して学習する方法に着想を得ている。

従来、ビデオゲームのキャラクターやその行動は、手作業で作られていた。FIFAなどのスポーツゲームでは、顔や体にマーカーを使って実在の人物を追跡するモーションキャプチャー技術を利用して、人間のキャラクターのよりリアルな動きを表現している。しかし、可能性は記録されたアクションによって制限されており、キャラクターをアニメーション化するためにコードを書く必要がある。

ゲームデザインや開発の他の要素と同様に、アニメーションプロセスを自動化することで、AIはゲーム会社の数百万ドルを節約しながら、ゲームをより現実的かつ効率的にすることができるようになるかもしれない。

強化学習は、コンピュータに複雑なゲームをプレイすることを学習させ、指示なしで厄介な問題を解決させることで、近年興奮を呼んでいる。2013年には、後にグーグルに買収されたイギリスのDeepMindの研究者たちが強化学習を利用して、いくつかのアタリのビデオゲームを超人的なレベルでプレイできるように学習したコンピュータプログラムを作成した。このプログラムは、実験とピクセルとゲームのスコアからのフィードバックによってプレイすることを学習した。その後、DeepMindは同じ手法を用いて、非常に複雑で微妙なボードゲーム「囲碁」などをマスターするプログラムを開発しました。

EA-UBCの研究者は、コンピュータグラフィックスのカンファレンス「Siggraph 2020」で発表される作品で、強化学習によって、従来のコーディングやアニメーションを使用せずに、サッカー選手をリアルに動かすことができることを示している。

このキャラクターを作るために、チームはまず、モーションキャプチャデータから統計的なパターンを特定して再現するための機械学習モデルを訓練した。その後、強化学習を利用して、ゲームの中でボールに向かって走るなど、特定の目的を持ったリアルな動きを再現するために、別のモデルを訓練した。これにより、元のモーションキャプチャデータにはないアニメーションが生成される。つまり、サッカー選手の動きを学習して、ジョギングやスプリントなどのアニメーションを自分で作ることができるのだ。

ゲーム機、PC、スマートフォンの高性能化に伴い、ゲームはますます高度化、複雑化し、ゲーム会社はより大きな投資を必要とする。既存のツールはデザイナーやアニメーターの効率化に役立つが、投資額を圧縮するようなインパクトはもたらしていない。AIが十分なデータを与えられれば、写真のようにリアルな顔やシーンを作り出すことができるように、アルゴリズムが新しいキャラクターやシーンの作成を自動化してくれるかもしれない。

AIは、アクションゲームやロールプレイングゲームなど、他のジャンルのコンテンツを生成する可能性がある。ゲーム会社の中には、ゲームをより拡張性のあるものにする方法として、プロシージャル生成を実験しているところもある。2016年に発売された宇宙を舞台にしたサバイバルゲーム『No Man's Sky』では、プレイヤーが探索するための新しい世界を生成するためのシンプルな手法が採用されている。人工的なプレイヤーを使ってゲームをテストしたり、バグを見つけたりするための強力な方法としてAIも登場しているという。

ゼロからゲームを生み出すAI

もう一方では、AIがゼロからシンプルなビデオゲームを生み出す可能性もあるという。トロント大学、MIT、ゲーミングチップを製造しているNvidiaの研究者たちは、オリジナルのコードを一切使わずに古典的なゲーム「パックマン」を再現する方法を学習したAIエンジンを公開した。

研究者たちは、GameGANと呼ばれるプログラムが、パックマンの5万回のゲーム中に使用された画面を見て操作をモニターすることで、簡単なゲームを再現できることを示した。その後、GameGANは、新しいシナリオやプラットフォームを追加した独自のバージョンを生成した。

GameGANは、GAN（Generative adversarial Network）を利用してコンピュータゲームエンジンを模倣した初のニューラルネットワークモデル。ジェネレーターとディシミネーターの2つの競合するニューラルネットワークで構成されるGANベースのモデルは、オリジナルのゲームを再現するのに十分な説得力のある新しいコンテンツを作成するために学習する。

「これは、GANベースのニューラルネットワークを使ってゲームエンジンをエミュレートする初の研究です」と、NVIDIAの研究者であり、このプロジェクトの主執筆者でもあるSeung-Wook Kimは述べている。「私たちは、ゲーム内を移動するエージェントの脚本を見るだけで、AIが環境のルールを学習できるかどうかを確かめたかったのです。そして、それは実現しました」。

Image courtesy of Michiel van de Panne

参考文献

1. Hung Yu Ling. Fabio Zinno, Gerge Cheng, Michiel Van De Panne. Character Controllers using Motion VAEs. Siggraph 2020.
2. Seung-Wook Kim. Learning to Simulate Dynamic Environments with GameGAN. arXiv. submitted on 25 May 2020.