从美术角度了解 MotionMatching（后悔篇T^T）
写在前面的话：继第一篇研究MotionMatching后，本打算简单了解一下从几篇GDC、SIGGRAPH的视频，看看行业大佬在研究什么，但没想到各种专业名词、各种不懂，于是开始翻阅资料，从YouTube视频到知乎大佬们的翻译，从搜索动作捕捉技术到搜索深度学习、强化学习在游戏中的应用，觉得自己这个坑已经越挖越大，短时间内填不平...... 但是Flag已经立下，而且距离上次发文已经快一周，所以本文就作为学习记录。
一、天坑开始第一步：无知无畏的立了个Flag
还记得MotionMatching第一篇介绍最后，提到了该技术的最大的问题，就是庞大的动作数据，所以对内存的要求很高。为了解决这个问题，育碧大佬Simon在2020GDC上分享了 Machine Learning Summit：Ragdoll Motion Matching（自己立的flag就是想搞懂这篇分享）
第一篇MotionMatching的分享传送门
安心做条咸鱼：从美术角度了解 MotionMatching （启动篇）
GDC 大佬分享原视频链接：
【2020 GDC】Machine Learning Summit: Ragdoll Motion Matching
https://www.youtube.com/watch?v=lN9pXZzR3Ys&t=207s
该分享的大致内容就是在MotionMatching的核心基础上，增加了AI领域的知识，使得游戏中的角色通过mocap的数据，结合人工智能技术（公式、算法）进行自我训练，从而做到有限的动画数据量，适应无限可能性的动画情景
而Simon在分享中重点提到的名词就是“强化学习”（Reinforcement Learning/RL）
---------------- 华丽分割线，为了搞懂强化学习，研究了几天 ( T^T ) ---------------
下面将进入人工智能领域的名词解释时间（依旧不打算照抄网上的解释，依旧使用自己的语言做解释）
名词解释一：人工智能
AI(Artificial Intelligence), 起源1956年，计算机学科的一个分支，在AlphaGo打败围棋高手之前，公认是个浪费时间、浪费金钱、浪费生命的学科。
但是现在生活中，图像识别（换脸、扫描指纹、车牌识别、温度扫描）、自然语言处理（语音和文字互转、自动翻译）、机器人等等等等都算是AI，而且无形的深入我们的生活。
说白了就是一些人不想做、懒得做、甚至做不了的事情，发明人工智能，让机器来做。（所以我们长开玩笑的一键Key动画功能，也算是一种AI，hhh）
名词解释二：机器学习（Machine Learning）
简称ML，实现人工智能的重要方法。最初提出这个概念，是想做到“不需要特定性编程，就可以赋予机器某项技能”
核心：“喂”大量数据、学习、找规律、输出结果
一句话总结机器学习：好的ML，就是扔给对方所有高中教材课本，还你一个高考状元
名词解释三：深度学习（Deep Learning）
简称DL，机器学习ML的一个分支。最初的机器学习在发展中，算法不足以支持解决一些更复杂的问题，所以就给机器学习增加了维度，出现深度学习
深度学习一定跟“神经网络”（Neural Network / NN）这个名词在一起
因为它参考了生物神经网络系统，出现的人工神经网络算法（坑越来越大，生物科学的知识都出来了，神经元、树突、轴突、突触...... 吐血）
简单点解释神经网络、神经元、数据传导：
下面是自己做的一个动图，来模拟神经元数据传导数据
所以深度学习中，几个关键点：
- 阈值对比：信息只有达到一定的阈值才能被激活，所以阈值怎样设定很关键
2. 带有特殊信息的数据继续传到：传递给下一个神经元的数据，以什么格式传导、分别代表什么意思，也很重要
3. 神经网络 = N个神经元 = N个阈值条件 ，每个神经元的重要性还不一样，所以增加一个权值Weight 的概念（结果乘以系数，或者偏移值Bias，然后再相加计算总数）
（等等，这段有点眼熟！！前面MotionMatching中，不就是对比pose、速度的差值，再乘以一个系数再相加？？/恍然大悟状）
4. 最终，利用多层神经网络系统，让机器人”脑子“发达起来 （科学家真会”搞事情“）
但是，在深度学习实际操作层面，会发现很多问题，翻阅了网上的解释，翻译成“人话”：
大佬们想要让计算机自己学习，自我培养，就像人类的成长一样，但是大脑的形成哪那么容易可以模拟的出来，所以只能在某些特别的关键环节，进行人为参与，增加一些条件限定，让机器在有限的范围内，达到一定深度学习的能力
而且事实证明，这个方法可行：AlphaGO就是最好的例子
从另一个角度说，深度学习的出现，AI这个领域才真的站起来了！
在这部分，又会发现很多新的名词：（又到了增加奇怪知识点的时候了，可惜我也不打算做解释）
无监督学习（Unsupervised Learning）
有监督学习(SupervisedLearning)
隐藏层（HiddenLayer）
半监督式学习（Semi-supervised Learning）
集成学习（Ensemble Learning）
......
这些名词没有做过多研究，但是能有一个大致的理解，也就是机器学习领域，其实很非常多的算法、公式、方法，每个方法都有自己的优点、缺点，也有很多是随着时代技术的变化而变得”更重要“或者变得”过时“。 大佬们在研究自己的领域时，可以借鉴、参考这些算法、公式，从而有选择的结合某些功能，找到新的突破口。
个人觉得，这些知识暂时没有细究的必要，等到真的需要用的时候，再去仔细了解就好，没必要浪费太多时间。
名词解释四：强化学习（Reinforcement Learning）
终于到了强化学习，终于到了最开始Simon大佬分享的知识点，，，
（感谢能坚持看到这里的小伙伴，佩服大家的毅力）
简称RL，机器学习（ML）的另一个分支，其本质是在实践中成长，试错中成长。所以对场景、多次实验的依赖性很高，而在现实生活中，真实场景的“试错”是很难实现的，比如自动驾驶，如果从零开始训练，汽车需要经历无数次装车才能学会，这个成本太高了。
但是游戏这个虚拟世界中，就可以建立一套仿真的虚拟环境，让AI在这个世界中不断的“是错”成长。
所以现在越来越多的游戏领域，加入“强化学习”的概念来做研究。
目的：适应不同环境
方式：模仿一个人或动物的学习过程，通过感知、行为、奖励的循环，来训练自己。
关键词：奖励系统 + 自我学习 + 快速反应
特点：学习速度非常快，每一次行动，都会对下一次的行动产生影响
名词解释五：深度强化学习（Deep Reinforcement Learning）
简称DRL，结合深度学习和强化学习两方面的特点
深度学习 —— 多层神经网络的概念（一个厉害的大脑）
强化学习 —— 在环境中不断的试错、训练、快速反馈（敏捷的四肢）
从而训练游戏中的Character！
其实Simon的GDC分享中，最终就是用到了深度强化学习这个概念，在强化学习中，加入深度学习中的神经网络概念，解决了一些细节问题，从而得到一系列公式。
最后放上人工智能领域中，以上几种学习的关系图：
到这里， 本篇告一段落，虽然中途后悔、自我怀疑为什么开这么一个坑，但是此时此刻写完，还是觉得有很大收获，这个过程有点痛苦，收集资料收集了很多，并且花了大部分时间进行阅读、消化、整理，但这些都是值得的！
总结
本篇对MotionMatching几乎没什么关系，主要就对人工智能AI领域做了一个小小的入门级介绍，希望对大家有点点帮助（至少看到一个名词，可以知道怎样搜索相关信息）
个人感想
AI这个领域太过庞大，也是百家争鸣，从最开始这个概念出现，最大的问题就是”落地“，任何技术能真正应用到工业化阶段都需要一个漫长的过程，也需要很多人多年的努力。不过站在现在这个时间点上看过去，大佬们的坚持是值得的。
那反观游戏行业，人工智能的加入，是不是也会在很多年后对游戏行业产生一个从量变到质变的影响？我愿拭目以待！
Flag不倒：
下一篇会正式介绍Simon大佬的GDC分享，从美术的角度讲解Learning MotionMatching到底是个什么玩应儿！敬请期待！
参考链接：
（同样感谢知乎中的大佬们，给很多视频做了翻译讲解）
第一部分 —— GDC 原文参考：
【2020 GDC】Machine Learning Summit: Ragdoll Motion Matching
第二部分：发现很多SIGGRAPH的相关分享，都是基于深度学习、强化学习做的分享（按时间排序）
【2016 SIGGRAPH】 A Deep Learning Framework for Character Motion Synthesis and Editing
【2017 SIGGRAPH】 Phase-Functioned Neural Networks for Character Control
简称PFNN，当时取得了轰动性的展示效果，目前基本是该领域的benchmark
【2018 SIGGRAPH】 Mode-Adaptive Neural Networks for Quadruped Motion Control
做四足动物动作生成
【2019 SIGGRAPH】 Neural State Machine for Character-Scene Interactions
开始尝试解决交互问题
【2020 SIGGRAPH】 Local Motion Phases for Learning Multi-Contact Character Movements
更加复杂的篮球问题
第三部分 —— 太多英文了，看不懂，于是知乎搜索相关文章
翻译篇一：GDC 2020技术导览-Ragdoll Motion Matching
翻译篇二：Siggraph Asia 2019技术导读-用于角色与场景交互动画的神经状态机
翻译篇合集：图形学论文泛读
以上两位大佬作为专业的学术研究，在知乎上翻译了很多SIGGRAPH文章，很赞！在这里感谢大佬们
第四部分 —— 自己的整理（信息收集、整理、加工）
