ہم فیز فنکشنڈ نیورل نیٹ ورک کہلانے والے ناول نیورل نیٹ ورک آرکیٹیکچر کا استعمال کرتے ہوئے ریئل ٹائم کریکٹر کنٹرول میکانزم پیش کرتے ہیں۔. اس نیٹ ورک کے ڈھانچے میں, وزن کا حساب ایک سائیکلک فنکشن کے ذریعے کیا جاتا ہے جو فیز کو بطور ان پٹ استعمال کرتا ہے۔. مرحلے کے ساتھ ساتھ, ہمارا سسٹم ان پٹ صارف کے کنٹرول کے طور پر لیتا ہے۔, کردار کی سابقہ ​​حالت, منظر کی جیومیٹری, اور خود بخود اعلیٰ معیار کی حرکات پیدا کرتا ہے جو صارف کے مطلوبہ کنٹرول کو حاصل کرتا ہے۔. پورے نیٹ ورک کی تربیت ایک بڑے ڈیٹاسیٹ پر اینڈ ٹو اینڈ فیشن میں کی جاتی ہے جس میں چلنے جیسی حرکت ہوتی ہے۔, چل رہا ہے, کودنا, اور چڑھنے کی حرکتیں ورچوئل ماحول میں لیس ہیں۔. اس لیے ہمارا نظام خود بخود ایسی حرکتیں پیدا کر سکتا ہے جہاں کردار مختلف جیومیٹرک ماحول جیسے کہ کھردرے خطوں پر چلنا اور دوڑنے کے لیے ڈھل جاتا ہے۔, بڑے پتھروں پر چڑھنا, رکاوٹوں پر چھلانگ لگانا, اور نچلی چھتوں کے نیچے جھکنا. ہمارا نیٹ ورک آرکیٹیکچر ٹائم سیریز آٹوریگریسو ماڈلز جیسے LSTMs کے مقابلے میں اعلیٰ معیار کے نتائج پیدا کرتا ہے کیونکہ یہ واضح طور پر مرحلے سے متعلق حرکت کے اویکت متغیر کے ساتھ معاملہ کرتا ہے۔. ایک بار تربیت یافتہ, ہمارا نظام بھی انتہائی تیز اور کمپیکٹ ہے۔, عمل درآمد کے وقت کے صرف ملی سیکنڈ اور میموری کے چند میگا بائٹس کی ضرورت ہوتی ہے۔, یہاں تک کہ جب گیگا بائٹس موشن ڈیٹا پر تربیت یافتہ ہو۔. ہمارا کام انٹرایکٹو مناظر جیسے کمپیوٹر گیمز اور ورچوئل رئیلٹی سسٹمز میں کرداروں کو کنٹرول کرنے کے لیے سب سے موزوں ہے۔.