We presenteren een real-time karakter controlemechanisme met behulp van een nieuw neuraal netwerk architectuur heet een Phase-functioneerde Neural Network. In deze netwerkstructuur, de gewichten worden berekend via een cyclische functie die de fase gebruikt als input. Samen met de fase, ons systeem is nu als controles ingangsdeelnemer, de vorige toestand van het personage, de geometrie van de scène, en produceert automatisch hoogwaardige bewegingen die de gewenste gebruikerscontrole bereiken. Het hele netwerk wordt getraind in een end-to-end mode op grote dataset samengesteld beweging zoals wandelen, lopend, springen, en klimmen mutaties aangebracht in virtuele omgevingen. Ons systeem kan daarom automatisch produceren bewegingen waar het teken zich aanpast aan verschillende geometrische omgevingen zoals lopen en rennen over ruw terrein, klimmen over grote rotsen, springen over obstakels, en het buigen onder lage plafonds. Ons netwerk architectuur levert een hogere kwaliteit van de resultaten dan de tijd-serie autoregressive modellen zoals LSTMs als het wordt expliciet ingegaan op de latente variabele van de beweging met betrekking tot de fase. eenmaal opgeleid, ons systeem is ook zeer snel en compact, die slechts milliseconden van de gekozen tijd en een paar megabyte geheugen, zelfs wanneer getraind op gigabytes van de beweging data. Ons werk is het meest geschikt voor het regelen van personages in interactieve scènes zoals computerspellen en virtual reality-systemen.