«Дисней» превратит улыбку во вставную челюсть
Новый метод позволит делать цифровые слепки зубов прямо по фотографии или видео, сообщают исследователи из лаборатории Disney Research в статье, подготовленной к конференции SIGGRAPH. По мнению ученых, технология может пригодиться мультипликаторам при создании персонажей или дантистам в работе с пациентами.
Обычно для построения реалистичной модели челюсти используется специальное оборудование, такое как внутриротовые сканеры. Недостаток этих устройств заключается в том, что они инвазивные, дорогие и достаточно громоздкие. Кроме того, созданные с помощью таких сканеров цифровые слепки все равно представляют собой лишь заготовки, и художникам приходится дорабатывать их вручную. Авторы новой работы предложили метод, который позволяет создавать реалистичную модель челюсти, используя обычную камеру мобильного телефона.
Исследователи собрали 86 3D-сканов нижних и верхних рядов зубов разных людей и наложили на них модели зубов, созданные сотрудниками Disney Research. Это было сделано для того, чтобы система смогла понимать, какое расстояние может быть между зубами, где находятся разные типы зубов (резцы, клыки, премоляры и моляры), а также какую форму они могут иметь. В итоге разработчики получили цифровую модель «типичной» челюсти, параметры которой программа может менять на основе имеющихся данных (например, делать зубы длиннее).
Затем исследователи создали алгоритм, который позволяет системе делать виртуальный слепок по фотографии или видео. Для этого она анализирует контуры зубов, причем человеку для этого не обязательно неестественно широко открывать рот — необходимо лишь улыбнуться. Система смотрит на границу между губами и зубами, деснами и зубами, а также между двумя рядами зубов и на основе этого создает цифровую модель челюсти. После на нее в автоматическом режиме накладываются текстуры, придающие реалистичный цвет.
Такой метод может пригодиться при создании персонажей в анимационных фильмах или в реалистичных видеоиграх. Кроме того, исследователи предполагают, что он также поможет в работе дантистам, которые будут использовать модель при подготовке к операциям. Как показало сравнение цифровых слепков, сделанных с помощью интраорального сканера и программой ученых, отклонение составляет не более миллиметра (и это при том, что исходная база данных была сокращена до 10 снимков).
Недавно специалисты из лабораторий Disney Research представили другую разработку — мягкую надувную кожу для роботов. По мнению ученых, применение подобного покрытия в манипуляторах позволяет снизить передаваемое на объект усилие. Исследователи из Гарварда, в свою очередь, создали прототип мягкого робота-осминога, в конструкции которого не используются жесткие материалы. Такая разработка может быть использована в медицине.
Он показал лучшее время на трассе, обойдя соперников на полсекунды
Инженеры разработали автопилот для гоночного дрона, управляющий беспилотником на уровне лучших людей-пилотов. Алгоритм под названием Swift, полученный с помощью метода обучения с подкреплением, способен управлять гоночным квадрокоптером, полагаясь только на данные бортовых сенсоров. В реальных полетах на тестовой трассе для дрон-рейсинга Swift смог превзойти трех профессиональных пилотов-чемпионов, выиграв у них 15 гонок из 25 и пройдя трассу с минимальным временем, которое на полсекунды меньше лучшего результата пилота-человека. Статья опубликована в журнале Nature. При поддержке Angie — первого российского веб-сервера Дрон-рейсинг — вид спорта, в котором мультикоптеры на высокой скорости проходят трассу, состоящую из последовательности ворот, через которые нужно пролететь за минимально возможное время. При этом управление происходит от первого лица, с помощью камеры и видеоочков. Современные дроны обладают очень высокой маневренностью и подвижностью: они могут резко менять направление движения, ускоряться, замедляться и совершать перевороты, а во время гонки они разгоняются до скоростей свыше 100 километров в час и подвержены перегрузкам, превышающим их собственный вес в пять раз. Это делает их пилотирование непростой задачей и требует хорошей подготовки и высокой скорости реакции оператора. Инженеры давно работают над созданием автопилота, который мог бы управлять дроном на уровне профессиональных пилотов. Помимо участия в дрон-рейсинге такая способность может пригодиться и в обычной жизни — мультикоптеры обладают невысокой энергоэффективностью, поэтому способность быстро летать и успешно маневрировать в окружении большого числа препятствий напрямую связана с успешностью выполнения задач. Инженеры под руководством Давида Скарамузза (Davide Scaramuzza) из Цюрихского университета уже имеют опыт разработки эффективных алгоритмов управления для дронов. К примеру, ранее они создали автопилот, способный управлять квадрокоптером на скорости от 3 до 7 метров в секунду в лесу между деревьев, полагаясь только на данные с бортовых сенсоров. В своей новой работе инженеры представили алгоритм под названием Swift. Он способен эффективно управлять гоночным квадрокоптером на уровне профессионального пилота дрон-рейсинга. Swift состоит из двух основных модулей: системы восприятия, которая переводит изображение от бортовой камеры дрона и данные от инерционного измерительного блока IMU в низкоразмерное представление, а также системы управления, которая принимает на вход низкоразмерное представление, созданное системой восприятия, и генерирует управляющие команды для электромоторов дрона. В модуль системы восприятия также входит алгоритм, вычисляющий текущее положение дрона в пространстве на основе данных камеры и инерционно-измерительного блока. Эта информация через фильтр Калмана объединяется с данными об относительном положении гоночных ворот, обнаруженных предварительно обученным нейросетевым детектором объектов в видеопотоке, после чего передается на вход системы управления, которая состоит из двух скрытых слоев, по 128 нейронов в каждом. Система управления тренировалась в симуляции с использованием модельно-свободного глубокого обучения с подкреплением. Этот метод обучения использует метод проб и ошибок, чтобы максимизировать величину параметра вознаграждения. В данном случае вознаграждение было максимальным в случае, если дрон следовал в сторону центра ближайших ворот таким образом, чтобы следующие ворота оставались в поле зрения камеры. Чтобы учесть различия между симуляцией и реальной динамикой полета, в процессе обучения информацию симулятора дополнили данными из реального мира, записанными с помощью системы захвата движений. Оценку автопилота провели на трассе для дрон-рейсинга, состоящей из семи ворот, установленных на квадратной площадке с длиной стороны 30 метров. Длина маршрута через все ворота составляла 75 метров. Алгоритм соревновался с тремя профессиональными пилотами Алексом Вановером (Alex Vanover), Томасом Битматтой (Thomas Bitmatta) и Марвином Шэппером (Marvin Schaepper). Все участники использовали гоночные дроны с одинаковыми характеристиками. Перед испытательными соревнованиями у пилотов была неделя для знакомства с трассой. В соревнованиях каждый из пилотов стартовал одновременно с дроном под управлением автопилота. Победителем становился тот, кто быстрее пролетит через все ворота на трассе в правильном порядке три раза. По результатам Swift смог выиграть у своих соперников в совокупности 15 гонок из 25, а также установил рекорд трассы, пролетев ее быстрее на полсекунды, чем остальные участники. https://www.youtube.com/watch?v=fBiataDpGIo&t=1s Инженеры разрабатывают гоночные автопилоты и для автомобилей. Например, инженеры из подразделения искусственного интеллекта компании Sony создали алгоритм автопилота GT Sophy, который с помощью обучения с подкреплением научился проходить за минимальное время трассы в гоночном автосимуляторе Gran Turismo Sport. В настоящих киберспортивных соревнованиях GT Sophy не только показала лучшее время в одиночных заездах, но и смогла победить команду лучших игроков в совместных гонках, набрав больше всего очков.
