KI generiert realistische, vielfältige Tanzbewegungen – Revolution für Choreografie

KI als Choreograf

• Deep-Learning-Modell erzeugt neue Tanzschritte: realistisch, vielfältig, stilkonsistent.
• Unterstützt Content-Erstellung in Rhythmic Gymnastics, Eiskunstlauf, Theater, u.v.m.

Hintergrund

Mit Annäherung an menschliche Intelligenz bearbeiten KI-Systeme zunehmend menschliche Domänen. KI kann Choreografen tausende Stilvariationen vorschlagen.

UC-Forscher entwickelten Deep-Learning-Modell zur Generierung neuer Tanzschritte aus Musik. Synthese-via-Analyse-Framework für beat-matching Tanz.

Herausfordernd, aber wertvoll für Content-Erstellung in Eiskunstlauf, rhythmischer Gymnastik, Theater.

Kern: Zerlegung & Komposition

Framework in zwei Phasen:

1. Dekomposition (Bewegung lernen): Bewegungsbeats aus Tanzsequenzen extrahieren (kinematischer Beat-Detektor). Jede Sequenz → zeitlich normalisierte Serie von Tanz-Einheiten. Einheiten in Initialposen & Bewegungen entwirrt.
2. Komposition (Sequenz arrangieren): Musik-zu-Bewegungs-Modell erstellt Bewegungssequenz passend zur Input-Musik. Laufzeit: Beat & Stil-Info extrahieren → Tanz-Einheiten sequenziell nach Musikstil generieren → Einheiten per Audio-Beats verzerpen (warpen).

Training & Evaluation

Daten: >360.000 Videoclips, 71 Stunden, 3 Kategorien: Hip-Hop, Zumba, Ballett.

Pose-Verarbeitung: OpenPose (Echtzeit-Multi-Person-System) für Körper-, Gesichts-, Hand-, Fuß-Keypoints.

Metriken: Stilkonsistenz, Realismus, Diversität, Beat-Matching.

Generierte Pose-Sequenzen → fotorealistische Videos für Visualisierung. Datensatz & Code auf GitHub.

GAN trainiert mit PyTorch auf NVIDIA V100 GPUs. Zukünftig: weitere Stile (z.B. Paartanz).

Quellen: arXiv:1911.02001 | GitHub