Dance Dance Revolution（国内译为劲舞革命）是一个风靡全球的节奏类音乐游戏。大家应该都曾经玩过，或者在商场的游戏厅中见到过它，现在，人工智能也可以玩这款游戏了！
据雷锋网，游戏规则是玩家在跳舞台上按照屏幕上的脚步指示图案调整脚步，根据音乐的节奏在特定的时间点上踩在指定的舞台按钮上。最终根据是否在正确的时间踩在了正确的按钮上来决定得分的多少。不同难度的游戏，脚步指示图案也不同，难度越高，指示图案越多，而且有更复杂的顺序。跳舞台有上下左右四个箭头按键，每个按键有四种状态：开，关，保持，释放。四个箭头按键可以各自独立的激活或释放，所以总共有256中可能的脚步组合。
屏幕上的舞步指示是根据音乐结构制作的，不同的音乐节奏或旋律对应不同的舞步。虽然DDR相当流行，但是玩家也有一些抱怨：比如曲库是有限的，玩家有时候并不能跳他们最喜欢的音乐的舞蹈，或者即使有这个音乐，但是玩家并不喜欢设定好的舞步。为了解决这个问题，DDR公司开源了一些工具，使得玩家们可以自己为音乐编舞。但实际上，自己编舞的过程是很痛苦的，并且需要很多专业的知识。下图为示例的编排过程。
日前，加州大学圣地亚哥分校的研究者使用了一种方法可以自动生成舞步，可以从原始的音频中直接生成脚步指示图案，以此来学习编舞。这种方法通过模仿人制作的脚步指示图案的语义信息来学习。这个问题可以被分解为两个子任务：
舞步放置，在歌曲中应该放置舞步的位置放置一系列的时间戳。这个过程根据玩家选择的难度的不同而产生不同的结果。
舞步选择，选择在时间戳上面放置哪种舞步（上下左右）。
按顺序运行这两个步骤，会产生一个可玩的舞步指示图案。过程如下图。
对Knife Party feat这首歌的其中四秒进行舞步编排的流程，从上到下分别是人工编排的舞步，舞步选择预测，舞步放置预测，音频特征
学习编舞的过程主要是音乐信息检索（music information retrieval， MIR）。放置舞步的过程与起始点检测（onset detection）很相似。Onset detection的目标是确定音乐上突出事件的时间点，例如音符或者鼓点。在编舞的任务中，并不是所有的音乐中的所有onset都对应DDR的舞步，但DDR的舞步一定对应着一个onset。
在数据方面，研究者们使用了DDR公司的标注好的数据：Stepmania Online，它用于超过100k首的歌曲，总共350Gb的数据。此外，研究者还收集整理了另外其他作者所创作的两个高质量的数据集。
在舞步放置阶段，研究者采用了卷积神经网络结构。整个模型包含了两个卷积层和两个全连接层。为了提高CNN的性能，研究者又加入了C-LSTM模型，将卷积编码与RNN结合，以达到整合更长时间窗口信息的目的。网络结构见下图：
在舞步选择阶段，研究者将舞步选择视为序列生成问题。他们使用了在处理语言模型中很常用的RNN模型，因为RNN能更好的捕捉长距离的上下文关系。网络结构见下图：
本篇论文提供了一个Demo，感兴趣的可以自己尝试一下：http://deepx.ucsd.edu/ddc
也可以在Youtube上观看官方给出的演示视频：https://youtu.be/yUc3O237p9M
更多的实现细节请参考原论文：Dance Dance Convolution
雷锋网(公众号：雷锋网)编译
正在生成分享图...
我在思考中