Learning Centre

Data-Driven Sequential Monte Carlo Motion Synthesis

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Hämäläinen, Perttu
dc.contributor.author Hakkarainen, Sami
dc.date.accessioned 2014-12-02T11:01:12Z
dc.date.available 2014-12-02T11:01:12Z
dc.date.issued 2014-12-01
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/14531
dc.description.abstract Animation in video games is composed of motion segments created by animators, and of motion synthesis methods, which combine and extend the motion segments for emerging gameplay situations. Current video games typically synthesize motion kinematically with no regard to dynamics, causing immersion-breaking motion artifacts. By contrast, physically-based methods synthesize motions by simulating physics, which ensures physical correctness. This thesis extends sequential Monte Carlo motion synthesis, a physically-based method, to use animator-authored reference animations for guiding the synthesis. An offline component is developed, which robustly tracks various types of kinematic reference animations by controlling a simulated physical character. The tracking results are gathered as a training set for a machine learning component, which directs the sequential Monte Carlo sampling used for online motion synthesis. For machine learning, the approximate nearest neighbors, locally weighted regression, mixture of regressors, and self-organizing map methods are implemented and compared. A product distribution sampling scheme is developed to efficiently combine machine learning with optimization. Additionally, a factorized formulation of the learning problem is presented and implemented. The system is evaluated with an interactive locomotion test case. Given a single kinematic reference animation depicting running in a straight line, the system is able to synthesize physically-valid motion for turning and running on uneven terrain. en
dc.description.abstract Videopelien animaatio muodostuu animaattoreiden luomista animaatioista, sekä liikesynteesimenetelmistä, jotka yhdistävät ja laajentavat luotuja animaatioita pelissä syntyviin uusiin tilanteisiin. Nykyiset videopelit käyttävät pääsääntöisesti menetelmiä, jotka syntetisoivat liikettä kinemaattisesti huomioimatta dynamiikkaa, mikä johtaa immersiota heikentäviin virheisiin. Vaihtoehtoisesti liikesynteesiin voidaan käyttää fysiikkaan perustuvia menetelmiä, joissa fysiikan simuloinnilla varmistetaan liikkeiden fysikaalinen toteutettavuus. Tämä diplomityö laajentaa fysiikkaan perustuvaa sekventiaalista Monte Carlo -liikesynteesimenetelmää ohjaamalla synteesiä animaattoreiden luomilla referenssianimaatioilla. Työssä kehitetään erillinen komponentti, joka kykenee seuraamaan monenlaisia kinemaattisia referenssianimaatioita kontrolloimalla simuloitua fysikaalista hahmomallia. Seurannan tulokset kootaan opetusdataksi koneoppimiskomponentissa, joka ohjaa interaktiiviseen liikesynteesiin käytettävää sekventiaalista Monte Carlo -otantaa. Koneoppimiseen sovelletaan approksimatiivista lähimmän naapurin menetelmää, paikallisesti painotettua regressiota, regressorisekoitemallia ja itseorganisoituvaa karttaa. Koneoppiminen yhdistetään tehokkaasti optimointiin käyttämällä otantaa todennäköisyysjakaumien tulosta. Oppimisongelmaan sovelletaan myös tekijöihin jaettua muotoa. Järjestelmää arvioidaan interaktiivisella demonstraatiolla, jossa käytetään yksittäistä suoraa juoksua esittävää kinemaattista referenssianimaatiota. Järjestelmä kykenee syntetisoimaan referenssin avulla käännöksiä ja juoksua epätasaisella pinnalla. fi
dc.format.extent 89
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Data-Driven Sequential Monte Carlo Motion Synthesis en
dc.title Dataohjattu sekventiaalinen Monte Carlo -liikesynteesi fi
dc.type G2 Pro gradu, diplomityö en
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword motion synthesis en
dc.subject.keyword procedural animation en
dc.subject.keyword physically-based animation en
dc.subject.keyword machine learning en
dc.subject.keyword regression en
dc.subject.keyword Monte Carlo methods en
dc.subject.keyword dimensionality reduction en
dc.subject.keyword optimization en
dc.subject.keyword liikesynteesi fi
dc.subject.keyword proseduraalinen animaatio fi
dc.subject.keyword fysikaalinen animaatio fi
dc.subject.keyword koneoppiminen fi
dc.subject.keyword regressio fi
dc.subject.keyword Monte Carlo -menetelmät fi
dc.subject.keyword ulotteisuuden pienentäminen fi
dc.subject.keyword optimointi fi
dc.identifier.urn URN:NBN:fi:aalto-201412033084
dc.programme.major Mediatekniikka fi
dc.programme.mcode IL3011 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Hämäläinen, Perttu
dc.programme Tietotekniikan koulutusohjelma fi
local.aalto.openaccess yes
local.aalto.digifolder Aalto_07356
dc.rights.accesslevel openAccess
local.aalto.idinssi 50170
dc.type.publication masterThesis
dc.type.okm G2 Pro gradu, diplomityö


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse