haku: @keyword regression / yhteensä: 20
hakutulos-lista
viite: 8 / 20
« edellinen | seuraava »
Tekijä:Hakkarainen, Sami
Työn nimi:Data-Driven Sequential Monte Carlo Motion Synthesis
Dataohjattu sekventiaalinen Monte Carlo -liikesynteesi
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2014
Sivut:89      Kieli:   eng
Koulu/Laitos/Osasto:Perustieteiden korkeakoulu
Oppiaine:Mediatekniikka   (IL3011)
Valvoja:Hämäläinen, Perttu
Ohjaaja:
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201412033084
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  2446   | Arkisto
Avainsanat:motion synthesis
procedural animation
physically-based animation
machine learning
regression
Monte Carlo methods
dimensionality reduction
optimization
liikesynteesi
proseduraalinen animaatio
fysikaalinen animaatio
koneoppiminen
regressio
Monte Carlo -menetelmät
ulotteisuuden pienentäminen
optimointi
Tiivistelmä (fin):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.
Tiivistelmä (eng):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.
ED:2014-12-21
INSSI tietueen numero: 50170
+ lisää koriin
« edellinen | seuraava »
INSSI