Мы представляем механизм управления символов в режиме реального времени, используя новую архитектуру нейронной сети называется фазовым функционировал Neural Network. В этой структуре сети, весовые коэффициенты вычисляются с помощью циклической функции, которая использует фазу в качестве входа. Наряду с фазой, наша система принимает в качестве контроля ввода пользователя, предыдущее состояние персонажа, геометрия сцены, и автоматически производит высокие движения качества, которые обеспечивают достижение желаемого пользовательского элемента управления. Вся сеть обучаются в моде конца до конца на большом наборе данных, состоящие из локомоции, такие как ходьба, Бег, прыжки, и движения скальных установлены в виртуальную среду. Таким образом, наша система может автоматически производить движения, где персонаж приспосабливается к различным геометрическим средам, таким как ходьбе и бег по пересеченной местности, перелезая через большие камни, прыжки через препятствие, и согнувшись под низкими потолками. Наша сетевая архитектура дает более высокие результаты качества, чем модели временных рядов авторегрессии, такому как LSTMs, поскольку она касается явно со скрытыми переменным движением, относящимися к фазе. После обучения, наша система также очень быстрая и компактная, требуя только миллисекунды времени выполнения и несколько мегабайт памяти, даже если обучение по гигабайты данных движения. Наша работа является наиболее подходящей для управления символами в интерактивных сценах, такие как компьютерные игры и система виртуальной реальности.