Vi præsenterer en tidstro karakter kontrolmekanisme ved anvendelse af en hidtil ukendt neuralt netværk arkitektur kaldet en fase-fungeret Neural Network. I denne netværksstruktur, vægtene beregnes via en cyklisk funktion, som anvender den fase som input. Sammen med fasen, vores system som input brugerkontroller, den tidligere tilstand af den karakter, geometrien af ​​scenen, og producerer automatisk høj kvalitet bevægelser, der opnår den ønskede brugerkontrol. Hele netværket er uddannet i en end-to-end mode på et stort datasæt bestående af bevægelse såsom gang, løb, hoppe, og klatring bevægelser monteret i virtuelle miljøer. Vores system kan derfor automatisk producere bevægelser hvor karakteren tilpasser sig forskellige geometriske miljøer såsom gang og løb over ujævnt terræn, klatre over store sten, hoppe over forhindringer, og krøb sammen under lave lofter. Vores netværk arkitektur giver resultater højere kvalitet end tidsserier autoregressive modeller som LSTMs idet den omhandler udtrykkeligt med den latente variabel af bevægelse i forbindelse med fase. Når uddannet, vores system er også ekstremt hurtigt og kompakt, kræver kun millisekunder af gennemførelsestid og et par megabyte hukommelse, selv når uddannet på gigabyte køredata. Vores arbejde er mest hensigtsmæssig til styring af tegn i interaktive scener såsom computerspil og virtual reality-systemer.