Wir präsentieren einen Echtzeit-Charakter Steuermechanismus eine neuartige neuronale Netzwerkarchitektur genannt Phase-Funktioniert neuronalen Netz. In dieser Netzwerkstruktur, die Gewichte werden über eine zyklische Funktion berechnet wird, die die Phase als eine Eingabe verwendet,. Zusammen mit der Phase, unser System nimmt als Eingabe Benutzersteuer, der vorherige Zustand des Charakters, die Geometrie der Szene, und erzeugt automatisch hochwertige Bewegungen, die die gewünschte Benutzersteuerung zu erreichen. Das gesamte Netz ist in einer End-zu-End Art und Weise auf einem großen Datensatz trainiert, bestehend aus Lokomotion wie Gehen, Laufen, Springen, und Kletterbewegungen in virtuellen Umgebungen ausgestattet. Unser System kann daher automatisch Bewegungen erzeugen, wo die Zeichen auf verschiedene geometrische Umgebungen wie Gehen anpasst und läuft über unebenes Gelände, Klettern über große Steine, Springen über Hindernisse, und geduckt unter niedrigen Decken. Unsere Netzwerk-Architektur erzeugt höhere Qualität der Ergebnisse als Zeitreihen autoregressive Modelle wie LSTMs wie sie explizit mit der latenten Variablen der Bewegung befasst sich auf die Phase beziehen. Nach ihrer Ausbildung, unser System ist auch extrem schnell und kompakt, erfordert nur Millisekunden der Ausführungszeit und ein paar Megabyte Speicher, selbst wenn sie auf Gigabyte Bewegungsdaten trainiert. Unsere Arbeit ist am besten geeignet für Zeichen in interaktiven Szenen wie Computerspiele und virtuelle Realität Systeme steuern.