في عالم الألعاب الفيديو، تتيح البيئات الديناميكية للباحثين دراسة الإدراك والتحكم في الكائنات المجسدة. رغم وجود الكثير من مقاطع اللعب المتاحة على الإنترنت، إلا أن القليل منها يتضمن المدخلات التي يحتاجها الباحثون لتدريب نماذجهم.

لحل هذه المشكلة، اقترح الباحثون نماذج الديناميكية العكسية (Inverse Dynamics Models - IDMs) لاستنتاج المدخلات من الإطارات، وقد أظهرت هذه النماذج الكبيرة، التي تضم ما يصل إلى مليار معلمة، قابليتها للتعميم عبر بيئات متعددة، اعتمادًا على حوالي 1000 إلى 2000 ساعة من اللعب.

لكن ما هي العناصر الأساسية اللازمة لاستعادة الأفعال الفردية؟ كثير من الأبحاث لا توضح ذلك وتستند إلى الدقة المجمعة التي قد تخفي حالات الفشل النادرة. يهدف بحثنا إلى دراسة هذه القضية في سيناريو بيانات مقيد، حيث نقيم كيف تؤثر ميزات الحركة المكانية، وهندسة النموذج، وأهداف التدريب على نتائج نموذج الديناميكية العكسية.

أظهرت تجاربنا على لعبة Trackmania أهمية عوامل مثل هندسة النموذج واستخراج تدفق الحركة في معالجة البيانات. كما أوضحت هذه التجارب حدود التقييم من خلال مقاييس غير متوازنة.

عند تطبيق نفس الهندسة ونمط التدريب على لعبة Cyberpunk 2077، كشفت النتائج عن أداء غير متساوٍ عبر آليات اللعب. ومن خلال تقييم كل عملية وفحص الفشل، سلطنا الضوء على الغموض الناتج عن حركة الكاميرا، وتأثيرات متأخرة، وترددات الضغط على المفاتيح غير المتوازنة، مما يستدعي نمذجة واضحة للهيكل الثلاثي الأبعاد واعتبار حالاته على المدى الطويل في التطبيقات المستقبلية.