PRISM: Streaming Human Motion Generation with Per-Joint Latent Decomposition
يقدم PRISM إطار عمل لبث توليد حركة البشر يستخدم فضاءً كامنًا مشتركًا مُجزأً وحقنًا للشرط الخالي من الضجيج ضمن نموذج تأسيسي واحد للتغلب على تشابك التمثيل وتراكم الأخطاء، مما يوحد بين تحويل النص إلى حركة، والتحكم المشروط بالوضعية، والتوليد المتسلسل طويل الأمد بأداء يمثل أحدث ما توصل إليه العلم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تريد تعليم روبوت الرقص بناءً على قصة ترويها له. تقول له: "يمشي الروبوت نحو الباب، يفتحه، ثم يقوم بدورة حول نفسه".
لفترة طويلة، حاول باحثو الذكاء الاصطناعي حل هذه المشكلة عبر إعطاء الروبوت "فكرة" واحدة ضخمة لكل جزء من الثانية من الرقصة. كان الأمر يشبه محاولة وصف أداء أوركسترا كاملة بكتابة رقم واحد فقط للغرفة بأكملها. كان على الذكاء الاصطناعي أن يخمن أي رقم يمثل الكمان، وأيها يمثل الطبول، وكيف يتحركون معاً. أدى هذا إلى رقصات خرقاء ومهتزة، حيث قد تنزلق أقدام الروبوت عبر الأرض أو تلتوي أذرعه بشكل غير طبيعي.
نظام PRISM هو نظام جديد يغير قواعد اللعبة. فبدلاً من فكرة واحدة ضخمة، فإنه يعطي الروبوت بطاقة تعليمات مخصصة لكل مفصل في جسده (الأكتاف، الأكواع، الركب، إلخ) لكل لحظة زمنية.
إليك كيف يعمل PRISM، مقسماً إلى ثلاثة مفاهيم بسيطة:
1. تشبيه "المقعد الفردي" (الفضاء الكامن الموزع على المفاصل)
الطريقة القديمة: تخيل حافلة مزدحمة حيث يتكدس الجميع في كومة واحدة ضخمة. للوصول إلى مقعدك، عليك الدفع عبر هذه الفوضى بأكملها. كان على الذكاء الاصطناعي القيام بذلك مع كل حركة، محاولاً فك تشابك القدم اليسرى عن الورك الأيمن في كومة بيانات فوضوية.
طريقة PRISM: يبني PRISM شبكة ثنائية الأبعاد من المقاعد الفردية.
- الزمن هو الصف (الإطار 1، الإطار 2، الإطار 3...).
- المفاصل هي الأعمدة (الرأس، الذراع اليسرى، الساق اليمنى...).
- يحصل كل مفصل على "مقعده" المخصص مع بطاقة تعليمات خاصة به.
لأن الذكاء الاصطناعي لا يحتاج إلى التخمين حول أي جزء من البيانات ينتمي لأي مفصل، يمكنه التركيز تماماً على جعل ذلك المفصل المحدد يتحرك بجمال. إنه يشبه قائد أوركسترا يعطي نوتة محددة لكل موسيقي، بدلاً من الصراخ "اعزفوا الموسيقى!" للمجموعة بأكملها. هذا وحده جعل الحركات أكثر دقة بـ 18 مرة من الطرق السابقة.
2. تشبيه "النظيف مقابل المتسخ" (حقن الشروط الخالي من الضجيج)
المشكلة: عادةً، إذا أردت من الذكاء الاصطناعي أن يواصل رقصة من وضعية معينة، أو أن ينتقل من "المشي" إلى "الجري"، فأنت بحاجة إلى نموذج ذكاء اصطناعي مختلف أو مجموعة أدوات معقدة. يشبه الأمر محاولة تغيير حبكة فيلم في منتصف الطريق عن طريق دمج شريط فيلم مختلف؛ حيث تبدو الحواف متعرجة غالباً.
حل PRISM: يستخدم PRISM خدعة ذكية تسمى "حقن الشروط الخالي من الضجيج" (Noise-Free Condition Injection).
تخيل أن الذكاء الاصطناعي فنان يرسم لوحة.
- الأجزاء "المتسخة": الأجزاء التي يحتاج الذكاء الاصطناعي لابتكارها (حركات الرقص المستقبلية) مغطاة بالضباب (الضجيج). مهمة الذكاء الاصطناعي هي مسح الضباب للكشف عن الصورة.
- الأجزاء "النظيفة": الأجزاء التي تعرفها بالفعل (الوضعية الابتدائية أو النص الوصفي) تُترك خالية من الضباب.
يمكن لـ PRISM النظر إلى الأجزاء "النظيفة" (الوضعية الابتدائية) والأجزاء "الضبابية" (الحركات المستقبلية) في نفس الوقت تماماً. إنه يعرف بالضبط أي الأجزاء يجب الحفاظ عليها وأي الأجزاء يجب رسمها. وهذا يسمح له بـ:
- بدء رقصة من وصف نصي.
- بدء رقصة من صورة محددة لوضعية ما.
- ربطها معاً بسلاسة: يمكنه إنهاء رقصة، وأخذ الإطارات الأخيرة منها، واستخدامها فوراً كنقطة بداية "نظيفة" للرقصة التالية، مما يخلق تدفقاً لا نهائياً من الحركة دون أي قفزات مزعجة.
3. تشبيه "البروفة" (الإجبار الذاتي - Self-Forcing)
المشكلة: عندما تربط العديد من مقاطع الرقص معاً، تتراكم الأخطاء الصغيرة. إذا ارتكب الذكاء الاصطناعي خطأً طفيفاً في أول 10 ثوانٍ، فبحلول الدقيقة الخامسة، قد يكون الروبوت يمشي للخلف أو يطفو في الهواء. يُسمى هذا "الانحراف" (Drift).
حل PRISM: علم الباحثون الذكاء الاصطناعي كيف يتدرب على أخطائه الخاصة.
عادةً، عند التدريب، يُعطى الذكاء الاصطناما الإجابة "المثالية" بعد كل خطوة (مثل معلم يصحح لطالبه فوراً). لكن في العالم الحقيقي، يتعين على الذكاء الاصطناعي الاعتماد على حركاته السابقة.
يستخدم PRISM تقنية تسمى "الإجبار الذاتي" (Self-Forcing). أثناء التدريب، يقوم الذكاء الاصطناعي بإنشاء حركة، ويرتكب خطأً، ثم يتعين عليه مواصلة الرقص بناءً على تلك الحركة "الخاطئة". إنه يتعلم كيف يصحح نفسه ويظل على المسار الصحيح، تماماً مثل الراقص الذي يتعثر ولكنه يستعيد توازنه بسلاسة بدلاً من السقوط. هذا يسمح له بتوليد رقصات أطول بـ 10 مرات مما تم تدريبه عليه في الأصل، دون أن ينهار.
الصورة الكبيرة
PRISM هو "نموذج أساسي للحركة" (Motion Foundation Model) موحد وشامل يمكنه:
- تحويل النص إلى رقص.
- تحويل صورة إلى رقص.
- ربط مئات الأفعال معاً لتكوين قصة طويلة.
إنه يحقق ذلك ليس بجعل الذكاء الاصطناعي "أكبر" أو "أذكى" بمعناه العام، ولكن من خلال تنظيم البيانات بشكل أفضل (إعطاء كل مفصل مقعده الخاص) وتعليمه كيفية التعامل مع أخطائه. والنتيجة هي حركة بشرية أكثر سلاسة، وواقعية، وقادرة على سرد قصص طويلة ومعقدة دون عناء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.