راز شناور ماندن آواتارهای مجازی؛ چگونه ریاضیات جلوی لرزش تصویر را می‌گیرد؟

جادوی تماشای یک آواتار مجازی درست در لحظه‌ای که فرد تکان می‌خورد رنگ نمی‌بازد، بلکه دقیقاً همان میلی‌ثانیه‌ای فرو می‌ریزد که او از حرکت بازمی‌ایستد. در اعماق خط لوله پردازش حرکتی، دریچه‌ای ریاضیاتی به نام «فیلتر هموارساز زمانی» نشسته که لحظه‌به‌لحظه سرعت داده‌های حرکتی ورودی را می‌سنجد.

همین یک محاسبه کوچک مشخص می‌کند که نرم‌افزار باید به داده‌های خام رسیده از لنز دوربین اعتماد کند یا خودش دست‌به‌کار شود و آن‌ها را دستکاری کند. وقتی کاربری در دنیای واقعیت مجازی یا یک استریمر سرش را ناگهان به طرفی می‌چرخاند، دوربین ردیاب این جابه‌جایی را بی‌نقص ثبت می‌کند.

اما درست وقتی که سر انسان در دنیای واقعی کاملاً متوقف می‌شود، سر همتای دیجیتالی‌اش اغلب برای کسری از ثانیه به حرکت خود ادامه می‌دهد و با لغزشی نرم و بی‌وزن در جای نهایی‌اش آرام می‌گیرد. بینندگان معمولاً این سر خوردن و شناوری را به حساب ضعف قطعات یا لگ زدن دوربین می‌گذارند.

اما پشت پرده، پای مداخله‌ای حساب‌شده و ریاضیاتی در میان است. نرم‌افزار عمداً به‌روزرسانی موقعیت آواتار را با اندکی تاخیر همراه می‌کند تا دردسری به‌مراتب بزرگ‌تر را چاره کند: ناپایداری ذاتی و همیشگی ردیابی اپتیکال.

معضل لرزش فضایی

دوربین‌های اپتیکال و سیستم‌های ردیابی بدون نشانگر شگفت‌انگیز و دقیق عمل می‌کنند، اما پای اطمینان صددرصدی که وسط بیاید، می‌لنگند. حتی وقتی شخص جلوی دوربین مثل مجسمه بی‌حرکت می‌ایستد، شبکه پیکسل‌های سنسور و تخمین نقاط کلیدی توسط مدل یادگیری ماشین، فریم به فریم دچار نوسان‌های بسیار ریزی می‌شود.

اهالی فن به این نوسان مداوم «لرزش فضایی» یا Spatial Jitter می‌گویند. اگر الگوریتم‌ها دست‌به‌کار نشوند، همین ریزلرزش‌ها مستقیم به توری سه‌بعدی مدل منتقل می‌شود و سر، موها و لباس‌های آواتار طوری دیوانه‌وار به رعشه می‌افتند که انگار به برق وصل شده است.[2]

دیدن کاراکتری که بی‌دلیل روی صفحه می‌لرزد، نه‌تنها حس زنده بودن شخصیت را در چشم مخاطب می‌کشد، بلکه عذاب‌آور هم هست. برای کاربری که هدست بر سر دارد، این تکان‌ها در تصویر رندرشده مستقیماً سیستم تعادلی گوش میانی را به هم می‌ریزد؛ چشم‌ها تکان خوردن دنیا را می‌بینند اما گوش اعلام سکون مطلق می‌کند و نتیجه‌اش تهوع و سرگیجه فوری است.

دام هموارسازی خطی

راه‌حل سنتی و دیرینه برای رفع این نویزهای ردیابی، استفاده از «فیلتر پایین‌گذر» است؛ فیلتری که داده‌های دریافتی را روی چندین فریم متوالی میانگین می‌گیرد تا ناهمواری‌ها صاف شود. اگر کاربر ساکن باشد اما دوربین ناگهان پرشی یک‌میلی‌متری گزارش کند، فیلتر این خطا را می‌بلعد و آواتار را میخکوب نگه می‌دارد.

با این حال، بستنِ مداوم سیستم به یک فیلتر هموارساز خطی و یکنواخت، جریمه زمانی سنگینی به همراه دارد: یعنی افزایش تاخیر زمانی. میانگین گرفتن میان چندین فریم یعنی آواتار همیشه به حرکات چند میلی‌ثانیه قبل فرد واکنش نشان می‌دهد، نه دقیقاً کاری که او در همین لحظه انجام می‌دهد.

در محاسبات فضایی و جهان مجازی، تاخیر زمانی یک خط قرمز بیولوژیک و غیرقابل مذاکره است. پژوهش‌ها بارها اثبات کرده‌اند که فاصله زمانی تبدیل حرکت فیزیکی به فوتون‌های نوری روی نمایشگر (Motion-to-Photon) باید زیر ۲۰ میلی‌ثانیه بماند تا کاربر دچار تهوع ناشی از شبیه‌سازی نشود. یک فیلتر خطی سنگین، سیستم را از این سقف ۲۰ میلی‌ثانیه‌ای فراتر می‌برد و حرکات آواتار را کند و کرخت می‌کند.

سازش غیرخطی الگوریتم‌ها

برای ایجاد تعادل میان واکنش فوری و پایدار ماندن در حالت سکون، خطوط مدرن ردیابی به الگوریتم‌های تطبیقی و غیرخطی تکیه کرده‌اند. سرشناس‌ترینِ آن‌ها «فیلتر ۱ یورو» نام دارد؛ الگوریتمی که نخستین بار در سال ۲۰۱۲ دقیقاً با هدف فیلتر کردن سیگنال‌های نویزی و پر از پرش، بدون قربانی کردن سرعت و دقت ابداع شد.[1]

پژوهشگران سازنده این فیلتر به درستی اشاره کرده بودند: «این الگوریتم پیاده‌سازی بسیار ساده‌ای دارد، منابع پردازشی بسیار اندکی مصرف می‌کند و با داشتن تنها دو پارامتر ساده، تنظیم و میزان‌سازی‌اش بسیار آسان است.» همین ظرافت و سادگی ریاضی باعث شد تا ۱ یورو به ستون فقرات هموارسازی تقریباً تمام سیستم‌های ردیابی امروزی تبدیل شود.[1]

رفتار این فیلترهای تطبیقی همگام با سرعت حرکت ورودی، شکلی کاملاً پویا به خود می‌گیرد. وقتی فرد سرش را به سرعت تکان می‌دهد، فیلتر این شتاب را حس می‌کند و وزن هموارسازی خود را تا نزدیکی صفر پایین می‌آورد تا حرکات سریع، چابک و آنی باقی بمانند.[1]

از آنجا که در یک چرخش سریع سر، همان داده‌های خام و بدون فیلتر موتور محرک آواتار می‌شوند، سیستم به راحتی زیر سقف بحرانی ۲۰ میلی‌ثانیه باقی می‌ماند. خوشبختانه چشم انسان هم نمی‌تواند آن لرزش‌های ریز را حین تکان‌های سریع ببیند، چراکه پدیده تاری ناشی از حرکت (Motion Blur) به‌طور طبیعی خطاهای تصویر را پنهان می‌کند.

لغزش و سر خوردن در کاهش سرعت

نقطه عطف ماجرا اما در لحظه‌ای رخ می‌دهد که فرد تصمیم می‌گیرد بایستد. به محض این‌که سرعت کاهش می‌یابد، نرم‌افزار ردیاب متوجه این افت سرعت می‌شود و بلافاصله وزن هموارسازی را به بالاترین حد ممکن می‌رساند تا زمینه را برای ژست ثابت بعدی آماده کند.[1]

اعمال ناگهانی و دوباره فیلتر پایین‌گذر، نوعی ترافیک و گره‌خوردگی محاسباتی ایجاد می‌کند. سیستم شروع به میانگین‌گیری میان آخرین فریم‌های حرکتی و نخستین فریم‌های سکون می‌کند؛ در نتیجه، ترمز کردنِ حرکتی روی محور زمان کش می‌آید و نسبت به واقعیت فیزیکی، زمان بیشتری طول می‌کشد.[4]

خروجی بصری این ترفند الگوریتمی، همان شناوری نام‌آشناست. سر آواتار درست همزمان با ایستادن فرد قفل نمی‌شود؛ بلکه وقتی فیلتر سرگرم بلعیدن انرژی جنبشی باقی‌مانده است، مدل مجازی به آرامی و با ظرافتی شناور سر جای خود لیز می‌خورد.

پیچیده‌تر شدن ماجرا با فیزیک مجازی

موتورهای فیزیک داخلی آواتارها معمولاً این اثر شناوری را تشدید هم می‌کنند. بیشتر مدل‌های سه‌بعدی برای شبیه‌سازی حرکت طبیعی موها، بافت لباس و زیورآلات از سیستمی موسوم به استخوان‌های فنری (Spring Bones) استفاده می‌کنند که به داده‌های اسکلت ردیابی واکنش نشان می‌دهد.

وقتی فیلتر غیرخطی مدت‌زمان توقف سر را کِش می‌دهد، موتور فیزیک این لغزش ادامه‌دار را به عنوان نیروی پیش‌برنده تعبیر می‌کند. در نتیجه، استخوان‌های فنری همچنان موها را به جلو هل می‌دهند و موج حرکتی ثانویه‌ای می‌سازند که آرام گرفتنش حتی زمان بیشتری می‌برد.

ریگرها و طراحان مدل برای مهار این رفتار، معمولاً ضریب کلی فیزیک را پایین می‌آورند یا نرخ فریم پردازش فیزیک را روی ۶۰ فریم بر ثانیه قفل می‌کنند. این چاره‌اندیشی مانع از آن می‌شود که داده‌های ردیابیِ با تاخیر، زیورآلات و موها را به پرش‌های اغراق‌آمیز و غیرطبیعی وادارند.

مالیات ردیابی بدون نشانگر

البته شدت این سر خوردن رابطه مستقیمی با کیفیت داده‌های خام اولیه دارد. واحدهای سنجش اینرسی (IMU) سخت‌افزاری، مثل همان‌هایی که در کت‌وشلوارهای موکپ حرفه‌ای سینمایی یافت می‌شوند، داده‌ها را صدها بار در ثانیه می‌خوانند و لرزش فضایی بسیار ناچیزی تولید می‌کنند.[2]

از آنجا که داده‌های حرکتی اینرسی از پایه پایدار و تمیز هستند، نیازی به هموارسازی زمانی سنگین ندارند. آواتاری که داده‌هایش از یک لباس موکپ تمام‌قد تامین می‌شود، سر بزنگاه می‌ایستد و افت سرعت فیزیکی بدن را با کمترین لغزش محسوس آینه‌داری می‌کند.

اما بیشتر استریمرها و تولیدکنندگان محتوای وب ناچارند به دوربین‌های وب‌کم معمولی یا گوشی‌های هوشمندشان بسنده کنند. این دستگاه‌ها نقاط کلیدی دوبعدی را از فایل‌های فشرده ویدیویی با نرخ ۳۰ یا ۶۰ فریم استخراج می‌کنند؛ فرایندی نویزدار که چاره‌ای جز صافکاری خشن و تهاجمی الگوریتم‌ها باقی نمی‌گذارد.[3]

تا زمانی که راحتی و ارزانی استفاده از یک وب‌کم ساده بر زحمت و هزینه میلیونی لباس‌های استودیویی بچربد، فیلترهای غیرخطی مهمان همیشگی این نرم‌افزارها خواهند بود. آن چند صدم ثانیه شناور ماندن در هوا، در واقع مالیاتی است که برای پوشیدن لباس‌های راحتی خانه به جای کت‌وشلوارهای ردیاب پرداخت می‌کنیم.