Vi presenterer en sanntids karakter styremekanisme ved hjelp av en ny nevralt nettverksarkitektur som kalles en fase-fungerte Neural Network. I dette nettverket struktur, vektene beregnes via en cyklisk funksjon som bruker fase som en inngangs. Sammen med fase, systemet vårt tar som input brukerkontroller, den tidligere tilstand av karakteren, geometrien av scenen, og automatisk produserer høy kvalitet bevegelser som oppnår den ønskede brukerkontroll. Hele nettverket er opplært i en ende-mot-ende på en stort datasett som består av bevegelse som gåing, løping, hopping, og klatrebevegelser montert inn i virtuelle miljøer. Vårt system kan derfor automatisk produsere bevegelser hvor tegnet tilpasser seg ulike geometriske miljøer som gåing og løping i ulendt terreng, klatre over store steiner, hoppe over hindringer, og huk under lave tak. Vår nettverksarkitektur produserer høyere kvalitet enn tidsserie autoregressive modeller som LSTMs som det omhandler eksplisitt med den latente variabelen av bevegelse relatert til fase. Når trent, vårt system er også ekstremt rask og kompakt, krever bare millisekunder av utførelsestiden og noen få megabyte minne, selv når trent på gigabyte med data bevegelses. Vårt arbeid er mest hensiktsmessig for å kontrollere tegn i interaktive scener som dataspill og virtuelle virkelighet systemer.