Animation de personnages

 

Michel Bret, professeur émérite des universités, ATI Université Paris 8, 2005

Michel-bret@wanadoo.fr

 

 

Mots cles

 

Animation, organisme, personnage, réseau neuronal.

 

Résumé

 

L’animation de personnages a donné lieu à de nombreuses publications et travaux, la plupart des logiciels du commerce proposent des solutions. Je ne reviendrai pas sur ces acquis, je tenterai simplement de reformuler le problème en termes de perception-action plutôt que de contrôle.

 

Introduction

 

         La synthèse, qui s’est largement inspirée de l’animation traditionnelle, a repris la question des personnages à partir de techniques issues de la robotique et de la simulation réaliste. Les machines sont utilisées pour leur capacités de calcul, et les logiciels sont conçus dans une optique algorithmique. Je reprend une vieille idée lancée par les concepteurs même de l’informatique, Allan Turing [1] et Von Neuman [2,3], qui voyaient dans l’ordinateur un cerveau artificiel, idée qui donna naissance à la cybernétique avec Norman Weiner [4]. Aujourd’hui les neurosciences [5] nous confortent dans l’idée que la machine et le vivant ont ceci de commun qu’ils sont tous deux matériels et que des notions comme celle d’intelligence sont plus affaire de neurones que de concepts.

            Je propose de modéliser le personnage comme un organisme et de lui appliquer les résultats de la Vie Artificielle.

 

1 Les techniques classiques

 

La méthode des dessins clés est directement issue des techniques traditionnelles d’animation introduites par Walt Disney dans les années 30.

Les méthodes cinématiques traitent du mouvement indépendamment de ses causes. Les trajectoires permettent de contrôler les variations géométriques en fonction du temps, ce qui suppose :

            D’abord que le personnage est modélisé géométriquement (objet).

            Ensuite que son histoire est pré écrite (scénario).

La cinématique inverse, issue de la robotique, permet de s’affranchir de l’histoire d’une intention et de n’en retenir que l’origine et le but.

Les méthodes dynamiques, simulant les lois physiques, s’intéressent aux causes du mouvement, elles permettent plus de réalisme et dispensent l’animateur de la description exhaustive de l’animation.

Les méthodes comportementales, introduites par Reynolds [6] en 1987, permettent de gérer la complexité des interactions dans une population d’acteurs.

D’autres problèmes sont liés à celui de l’animation de personnages :

            Différents rendus (peau, cheveux, …).

            Le traitement des vêtements par des surfaces dynamiques souples entrant en collision avec le corps [7].

            Le problème de la marche sur un terrain quelconque.

            L’expression faciale [8] et l’émotion suscitée par les visages et les gestes.

 

2 Organisme artificiel

 

2-1 Systèmes interactifs

 

         Dans mes cours à ATI [9], je distinguais plusieurs niveaux de systèmes :

Les systèmes réactifs dans lesquels la sortie est directement fonction de l’entrée :

sortie = fonction de transfert appliquée à l’entrée

            Selon la forme de cette fonction on obtient différentes variations. Ce schéma est celui du stimuli-réponse à la base de la plupart des installations dites interactives. En fait, comme nous allons le voir, la véritable interaction ne commence qu’avec la notion de rétroaction.

 

 

 

 


 

Les systèmes rétroactifs qui sont plongés dans un environnement si bien que la sortie est bouclée sur l’entrée puisque les deux communiquent avec cet environnement, cette rétroaction, ou feed-back, permet un ajustement automatique de l’entrée sur la sortie. Si ce feed-back est négatif, le système tend vers le maximum le plus proche, s’il est positif le système tend vers le minimum le plus proche.

 

 

 


 

Les systèmes homéostatiques permettent de maintenir les paramètres stables lorsque l’environnement varie. Ici un seuil (en jaune) varie sinusoidalement et la sortie (en rouge) tente de le suivre par rétroaction.

 

 

 


 

 

Les systèmes adaptatifs qui se modifient au cours d’un apprentissage. Ici la boucle de rétroaction intègre une branche qui va agir sur la forme de la fonction de transfert.

 

 

 


 

 

Les organismes artificiels inspirés des organismes biologiques : Un noyau (en noir) est plongé dans un environnement (en vert) duquel il est séparé par une membrane (en gris). Au cours de l’évolution certaine éléments de cette membrane se sont différenciés en capteurs d’entrée (à gauche en vert) et d’autres en actuateurs de sortie (à droite). L’information qui circule de l’entrée vers la sortie transite par des cellules internes à l’organisme. L’ensemble de ces cellules (entrée, cellules internes et sortie) constitue un réseau de neurones dont les poids synaptiques sont modifiés au cours d’un apprentissage. Ici le réseau est entraîné pour remplir une fonction mimétique (rendre les sorties conformes aux entrées), la courbe blanche en bas figure l’erreur commise.

 

 

 

 

2-2 Application à l’animation de personnages

 

2-2-1 Modélisation de personnages

 

         Van De Panne et Fiume [10] ainsi que Karl Sims [11] avaient introduits, dans les années 90, le concept de perception-action dans l’animation de synthèse avec les réseaux de capteurs actuateurs. Je propose

            Un personnage sera modélisé comme un organisme dont les entrées sont connectées à des capteurs (caméra, exosquelette, etc..) et dont les sorties sont connectées à son système musculaire moteur. Un cerveau artificiel (en fait un réseau de neurones) va lui permettre de prendre des décisions, et donc de s’animer, en fonction de ce qui se passe dans son environnement. Alors qu’en animation traditionnelle c’est l’animateur qui décide des mouvements en fonction d’un story-board préalable (on raconte une histoire qui est arrivée), ici c’est le personnage lui-même qui agit de façon autonome en fonction de circonstances interactives (on vit une histoire qui arrive). Cela suppose que le personnage sait réagir, or pour savoir il faut apprendre. La méthode d’animation que je propose consiste à entraîner des êtres artificiels à se comporter dans des circonstances données.

 

2-2-2 Apprentissage supervisé

 

La théorie des réseaux neuronaux mimétiques [12] permet d’automatiser ce genre d’apprentissage en fournissant au système un ensemble d’exemples à partir desquels des algorithmes, comme celui de la rétro propagation de l’erreur [13], corrigent les poids synaptiques. A l’issue d’un tel apprentissage le système est capable de reproduire non seulement les exemples appris (c’est à dire fournir la sortie adéquate correspondant à une entrée donnée), mais encore de répondre de façon non absurde à des entrées non apprises, c’est ce que l’on appelle la propriété de généralisation des réseaux neuronaux, et cela ressemble fort à de l’improvisation.

Sur la figure suivante on voit un réseau neuronal sous la forme :

D’une couche de neurones d’entrée (en rouge) connectés aux pixels d’une image (fournie par une WebCam) et jouant le rôle de rétine (en bas et à gauche).

D’une couche cachée (en rose)

D’une couche de sortie (en blanc) qui est constituée de neurones moteurs connectés aux muscles du personnage.

Le réseau est en train d’apprendre les exemples figurés en haut de l’image sous forme de couples (une photo d’un acteur réel montrant une position, et une position du personnage). L’algorithme de la rétro propagation en est à son trente huitième essai, et l’erreur est déjà tombée à moins de trente pour cent ; en moins de mille essais elle devient négligeable et on peut alors considéré que le réseau a appris.

 

 

 

2-2-3 Apprentissage non supervisé

 

         Avec les réseaux à apprentissage non supervisé, par exemple compétitif de Kohonen [14], on construit un organisme qui va détecter tout seul les régularités de son environnement, c’est à dire qui va classifier les évènements dont il prend connaissance et qui sera capable, ensuite, de dire à quelle classe appartient tel événement nouveau. Ici le degré d’autonomie est très élevé puisque le système peut exister en marge de tout contrôle humain, et qu’il peut produire des comportements totalement imprévisibles, et cependant cohérents, ce qui est le propre de l’imagination.

 

Conclusion

 

            Je crois avoir montré que le personnage considéré comme organisme, et non plus comme robot mécanique, introduit l’autonomie comme propriété fondamentale de l’animation interactive. Les rapports qu’entretiennent les créateurs avec leurs œuvres s’en trouve profondément modifiés puisque le contrôle démiurgique qu’exerçaient ceux-la sur celles-ci est remplacé par un dialogue entre individus intelligents, chacun pouvant apporter beaucoup à l’autre.

 

Bibliographie

 

[1] A.M. Turing: Intelligent Machinery", Report to the National Physical Lab, 1947.

 

[2] John von Neumann. 1958. The Computer and the Brain, Yale Univ. Press, New Haven.

[3] John von Neumann, and Arthur W. Burks. 1966: Theory of Self-Reproducing Automata, Univ. of Illinois Press, Urbana IL.

[4] Norbert Wiener: Cybernetics, or Control and Communication in the Animal and the Machine, John Wiley Editor, New York, 1948.

 

[5] Jean Pierre Changeux :  L´homme neuronal, Fayard, 1983.

 

[6] Craig W. Reynolds: Flocks, herds, and schools: A distributed behavioral model. in COMPUTER GRAPHICS 21(4), 25-34, 1987.

 

[7] Michel Carignan, Ying Yang, Nadia Magnenat Thalmann, Daniel Thalmann: Dressing Animated Synthetic Actors with Complex Deformable Clothes in COMPUTER GRAPHICS 26(2), 99-104, 1992

[8] Badler: Animating Facial Expression in COMPUTER GRAPHICS 1981.

 

[9] Michel Bret: Cours en A.T.I., Université Paris 8:
Éléments de mathématiques pour la synthèse (1998)
Le connexionnisme en image de synthèse (1998)
L´évolutionnisme en image de synthèse (1999)
La vieARTificielle (2000)
Le connexionnisme (2000)


[10] Michiel Van De Panne, Eugene Fiume:  Sensor-Actuator Networks, in COMPUTER GRAPHICS , 335-342, 1993.


[11] Karl Sims: Evolving Virtual Creatures, in COMPUTER GRAPHICS, 15-22, 1994.

 

[12] Jean-François JODOUIN : Les réseaux neuromimétiques, Hermes 1994

 

[13] Hervé ABDI : Les réseaux de neurones, Presses Universitaires de Grenoble 1994.

 

[14] T. Kohonen:  Self-Organization and Associative Memory, Springer-Verlag 1984.