Мате Петрани, эксперт по Houdini и Unreal Engine, разработал удобный способ переноса бегущей толпы в Unreal Engine 5 через Sequencer.

Допустим: мы хотим, чтобы толпа двигалась реалистично, но её поведение должно быть предсказуемым и управляемым. Обычно для этого пишут сложные алгоритмы, которые считают путь каждого персонажа в реальном времени.

Но, что если записать движение один раз и просто проигрывать его?

Именно это и предлагает аниматор Мате Петрани. Вместо того чтобы в реальном времени рассчитывать путь для каждого персонажа, он заранее записал всё движение в программе Houdini и перенёс в Unreal Engine 5.

Как это работает:

1. Готовим сцену в Houdini — создаём виртуальную толпу. Каждый персонаж со своим набором движений. Программа расставляет их и прокладывает маршруты.

2. Разделяем маршрут и движения тела: Ключевой момент.
Движение персонажа в пространстве (его путь) сохраняется отдельно. Движения его рук и ног — отдельно. Это позволяет менять анимацию, не пересчитывая весь путь.

3. Переносим в Unreal Engine 5 два типа данных:
— Файл с навигацией для каждого персонажа (кто куда шёл и когда поворачивал);
— Набор анимации (как персонаж двигает ногами и телом).

Специальный скрипт автоматически создаёт сцену: расставляет персонажей в нужных точках и назначает анимации согласно таймингу.

Управление через Unreal Sequencer

Sequencer — монтажный стол, где можно наблюдать всю сцену на таймлайне: когда кто появляется, куда идёт, что делает. Можно легко поправить тайминг, заменить анимацию или добавить событие. Без пересчёта всей симуляции.
Технически это работает так: для экспорта используется инструмент Houdini Digital Asset (HDA), который выгружает пути в JSON, а анимации — в FBX. Далее Editor Utility Widget в Unreal автоматически собирает всю сцену в Sequencer, полностью исключая runtime-расчёты.

Что это даёт на практике:

✅ Получаем полный контроль над поведением толпы. Если сцена работает в редакторе, она так же сработает и в собранном проекте.
✅ Движку не нужно в реальном времени рассчитывать AI для сотен персонажей. Он просто проигрывает записанную последовательность.
✅ Можно быстро менять анимации, останавливать толпу, запускать заново или копировать куски сцены.
✅ Метод работает и для десяти, и для десяти тысяч персонажей.

Этот подход похож на покадровую анимацию в мультфильмах: всё продумано заранее. Но он не подойдёт, если есть запрос на то, чтобы толпа динамически реагировала на игрока.

Мы думали, что победили коварный модуль в прошлой задаче (https://rutube.ru/video/6d0a47b7f8d590666cd146fba0f17c00/), но оказалось, что за его спиной прятался еще более хитрый противник — Область Допустимых Значений (ОДЗ). Если вы хоть раз получали неверный ответ, потому что забыли проверить, что находится под корнем четной степени или в знаменателе, это видео для вас!

В этом выпуске мы возвращаемся к сложной задаче с корнями четвертой степени и детально разбираем, как ОДЗ не просто «дополняет» решение, а полностью перекраивает рабочие интервалы. Узнайте, как правильно выставлять «красные флажки» на числовой прямой, чтобы избежать корней из отрицательных чисел и деления на ноль (даже скрытого!).

Что вы узнаете из этого видео:

• Почему $\sqrt[4]{x^4} = |x|$, и как модуль влияет на ветвление ответа.
  

• Три критические точки, где скрывается ОДЗ: корни четной степени, явное деление на ноль и скрытое деление на ноль.
  

• Как правильно объединить ограничения от Модуля и ОДЗ, чтобы получить финальный, корректный ответ для каждого интервала.
  
  Код анимации (если кому интересно) смотрите здесь - https://gitverse.ru/Nikas/NeuralNet.2025/content/master/mani...
  
  Прошлый разбор этой задачи:

Инженеры Boston Dynamics раскрыли техническую подоплёку одного из наиболее обсуждаемых движений человекоподобного робота Atlas — процесса его подъёма с пола. Этот манёвр давно вызывает у наблюдателей эффект «нестандартной пластики», однако в инженерной повестке он рассматривается как оптимизированная операция, собранная вокруг трёх ключевых KPI: безопасность конструкции, рациональный расход энергии и встроенная самодиагностика систем. Специалисты подчёркивают:

Человек может подняться автоматически, полагаясь на непрерывный поток сенсорной информации со всего тела. У Atlas ситуация иная — сенсорная матрица значительно проще, и каждое смещение массы, разворот корпуса и перенос опоры рассчитываются алгоритмами заранее.

Самый критичный риск — вероятность наступить на собственную конечность при подъёме, чего человек избегает на уровне автоматической моторики. Поэтому движение стартует с «реорганизации позиций»: робот поочерёдно переставляет конечности, фиксирует безопасные зоны вокруг себя и лишь затем инициирует основной подъём. Инженеры называют это технически грамотным сценарием: робот минимизирует вероятность сбоя и параллельно собирает данные о состоянии приводов, актуаторов и модулей стабилизации. Таким образом Atlas выполняет не просто подъём, а управляющую микросессию проверки своей «мехатронной архитектуры».