Game computing: tehnici AI

Interacțiune om‐calculator 2.0

Dr. Sabin‐Corneliu Buraga

Facultatea de Informatică
Universitatea “A.I.Cuza” Iaşi, România

Dr. Sabin‐Corneliu Buraga – www.purl.org/net/busaco


tehnici elementare de inteligență artificială



However beautiful the strategy,
you should occasionally look at the results.

Winston Churchill



Cum folosim inteligența artificială într‐un joc?



Artificial intelligence is the application
of simulated reasoning for the purposes
of making informed decisions and solving problems

Brian Hall, 2004



In contextul jocurilor, sistemul trebuie să aproximeze
procesele de decizie astfel încât să pară inteligente

AI being intelligent versus AI appearing intelligent

if it looks smart, it is smart



“In AI research, the end goal is to simulate
the human mind. In a game, the ultimate goal is
to make sure the game experience is fun.”

Richard Rouse, Game Design Theory and Practice
(2nd Edition), Wordware Publishing, 2005



Principii de proiectare:

KISS (Keep It Simple, Stupid)

tehnicile AI trebuie doar să convingă utilizatorul
că entitățile jocului (e.g., NPC) sunt “smart”




Hard Does Not Equal Fun

maniera de jucat nu trebuie să fie – obligatoriu – dificilă

jucătorul uman nu poate fi la fel de eficient ca unul simulat
de calculator – vezi jocurile de strategie în timp‐real (RTS)




Play Fair

personajele simulate (NPC‐urile) trebuie să se conformeze
acelorași reguli ale jocului

jucătorii umani sunt frustrați atunci când sistemul “trișează”



Utilizări ale AI în jocuri (Rouse, 2005)

provocarea jucătorului (challenge the player)
modelarea comportamentului NPC (not do dumb things)
realizarea impredictibilității (be unpredictable)
suport în derularea narațiunii (assist storytelling)
crearea unei lumi credibile (create a living world)



artificial
stupidity



Utilizări ale AI în jocuri (Rouse, 2005)

Tetris – generarea aleatoare a următoarei piese
versus
The Sims – recurgerea la un sistem de agenți software
(comportament autoadaptiv al personajelor NPC)



Clasificarea (classification)
rețele neuronale, logici fuzzy etc.
Simularea sistemelor biologice (life systems)
algoritmi genetici
Găsirea drumului (pathfinding)
BFS, DFS, Dijkstra, euristici – e.g., metoda A*
Luarea de decizii (decision making)
automate, arbori de decizie, sisteme bazate pe reguli,…



Scop:
mutarea unei entități dintr‐o locație într‐alta,
ținând cont de posibilele obstacole

rol esențial în navigarea NPC‐urilor prin mediul jocului

se reduce la găsirea drumului de cost minim într‐un (di)graf



Implementări uzuale:
mutarea în locația vecină (next step closer)

parcurgeri de grafuri: BFS (Breadth First Search),
DFS (Depth First Search), Dijkstra (shortest path algorithm)

recurgerea la euristici: Best First Search, A*
informed search
methods


Metode tradiționale:
Next move one step closer to the goal during
Step Closer each iteration (cannot avoid obstacles)
Breadth First starting with a vertex, visit each of
Search its children, and each of their children, etc.
Best First same as BFS, but children are selected
Search using a heuristic
Depth First search a child of a vertex, then its first child,
Search then its first child’s first child,…


Evitarea obstacolelor
(în conjuncție cu next step closer)

Random Bounce/Backstepping

la întâlnirea unui obstacol,
se face un pas înapoi și se selectează aleatoriu o locație liberă



intrarea într‐o “fundătură” (cul‐de‐sac)


Evitarea obstacolelor
(în conjuncție cu next step closer)

Obstacle Tracing

la întâlnirea unui obstacol, ia‐o la dreapta/stânga

apar probleme pentru grafuri complicate sau cu cicluri



Metode euristice

în contextul Best First Search,
se consideră anumite locații (noduri ale grafului)
ca fiind mai prioritare



Metode euristice

suplimentar, Best First Search și A* se bazează pe 3 euristici
pentru determinarea distanței de la nodul curent
la cel final (nodul scop):

maximul: max (dx, dy)
Manhattan: dx + dy
distanța euclidiană: sqrt (dx2 + dy2)


Metode euristice

pentru A*, fiecare nod n are asociat costul f(n) = g(n) + h(n)

g(n) – costul drumului de la nodul de start până la n
h(n) – euristica aleasă
euristică
admisibilă
costul f(n) determină ordinea nodurilor alese să fie vizitate


bool AStarSearch (Node start, Node goal) {
PriorityQueue open; // coada cu priorități
List closed; // lista nodurilor drumului
Node n, child;
start.parent = NULL; // start n‐are precedent
open.enqueue(start); // primul nod e cel de start
while (!open.isEmpty()) { // mai există noduri de vizitat
n = open.dequeue();
if (n == goal) { // nodul curent e ținta/scopul
makePath();// generăm calea de urmat
return true;
}



while (n.hasMoreChildren()) { // iterăm copiii nodului
// preluăm următorul nod de vizitat
child = n.getNextChild();
// …și calculăm costul asociat
COSTVAL newg = n.g + child.cost;
if ((open.contains(child) ||
closed.contains(child)) && child.g <= newg)
continue; // copilul deja a fost vizitat sau
// costul lui este prea mare
child.parent = n;
child.g = newg;
child.h = GoalEstimate(child); // folosim euristica
child.f = child.g + child.h; // costul actualizat


// nodul va trebui revizitat,
// din moment ce i s‐a reactualizat costul
if (closed.contains(child))
closed.remove(child)
if (!open.contains(child))
open.enqueue(child);
else
open.requeue(child);
} // while (n.hasMoreChildren)
closed.add(n); // actualizăm drumul curent
} // while (!open.isEmpty())
return false; // drumul nu a fost determinat
}


Metode euristice

pentru grafuri mari (e.g., hărți largi),
structurile de date open & close pot fi ineficiente

pentru alte detalii privind A*, a se consulta
Stuart Russell & Peter Norvig, Artificial Intelligence.
A Modern Approach (2nd Edition), Prentice Hall, 1995



Modelarea unui joc de tip RTS – Real‐Time Strategy
conform (Brian Hall, 2004)

mediul include 10 tipuri de terenuri
personajele NPC aparțin a 4 categorii de trupe (units)
se definesc 7 trupe particulare

terenurile/trupele au caracteristici diferite



Modelarea unui joc de tip RTS – Real‐Time Strategy

scopul este traversarea diverselor tipuri de teren
de către cele 7 trupe, conform caracteristicilor specificate

se va alege o euristică menită a lua în calcul
atât tipul de terenuri, cât și categoria fiecărei trupe



Tipuri de teren (terrain types)

Jungle (J), Forest (F), Plains (P), Desert (D),
Foothills (FH), Mountains (M), Roadway (R),
Trail (T), Swamp (S), Water (W)



Tipuri de teren (terrain types)

fiecare tip are proprietăți ce determină maniera de traversare

exemplu: mountains consist of very steep slopes and rocky
uneven ground; this terrain is considered impassible to all
but those on foot, and even so is very difficult to traverse



Categorii de trupe (units)

Infantry: Light Infantry (LI), Heavy Infantry (HI)
Wheeled Vehs: Jeeps (J), Armored Personnel Carriers (APC)
Tracked Vehicles: Tanks (T), Mobile Base (MB)
Hovercraft (H)



Categorii de trupe (units)

exemplificare: Infantry are soldiers on foot, with excellent
maneuverability. They can traverse all types of terrain,
aside from water, with little impediment.
Trails, roadways and other non‐varied terrain are preferred.
Heavy Infantry is incapable to traverse jungles, mountains,
and swampy terrains.



Se specifica un cost de traversare pentru fiecare tip de teren,
conform categoriilor de trupe



Acest cost va fi inclus în formula de calcul al euristicii:

h(n) = h’(n) * Wu,t

maximul,
Manhattan,
distanța euclidiană



Definirea hărții jocului

inițial, se poate adopta o soluție 2D, cu perspectiva aeriană,
recurgându‐se la un caroiaj (grid)



Simplificarea determinării drumului:
Hierarchical Pathfinding

se bazează pe divide‐et‐impera: divizarea spațiului în sub‐arii



conform Brian Hall, Artificial
Intelligence for Game Developers,
e‐Institute Publishing, 2004


Determinarea drumului pentru configurații oarecare
(non‐gridded maps)

soluții:
super‐imposed grids
visibility points (waypoint networks)
radial basis
cost fields
quad‐trees


Visibility points (waypoint networks)

the idea is to place points around the obstacles,
and draw lines from each point to every other point
such that the lines do not cross through any obstacles

these points are then used by the pathfinding algorithm
to determine where you can walk




fiecare punct (waypoint) are asociate:
poziția, identificatorul, raza de influență, orientarea,
alte date de interes (general blind data)

datele de interes – e.g., animation trigger data, wait signal,
defend, danger, posture,… – pot fi utile în luarea deciziilor
sau pentru redarea stării personajelor


Quad‐Trees

harta este divizată în zone rectangulare (quads) ierarhice

se memorează zonele ce pot fi formate
fără a se traversa nici un obstacol



Quad‐Trees



Tehnici folosite în cadrul jocurilor:
flocking
decision trees
state machines
rule‐based systems
squad behaviors
scripting



Flocking

vizează luarea deciziilor la nivel de grup
compus din entități similare

e.g., simularea comportamentului unui banc de pești,
al unui stol de păsări etc.



Flocking

mulțimea de comportamente ale fiecărei entități a grupului
contribuie la mișcarea acestuia behavior based movement

comportamentul individual poate fi sau nu influențat
de entitățile din vecinătate



entitatea
de interes

scop: cum se decide care va fi următoarea mișcare
a entității de interes



entități
perceptibile

entitățile perceptibile sunt cele care pot fi “simțite”
de către entitatea de interes



entități
inaccesibile

entitățile inaccesibile sunt cele ce nu pot fi percepute
de către entitatea de interes



entitatea de interes va percepe obiectele din cadrul conului
cercurile concentrice facilitează determinarea distanței
până la alte entități ale grupului


Flocking

comportamente de bază:
separarea (separation)
coeziunea (cohesion)
evitarea (avoidance)
alinierea (alignment)



Flocking

separarea (separation)
keep the separation between entities a certain fixed distance

are loc în funcție de o distanță de separare considerată

se bazează pe calculul de vectori



Flocking

coeziunea (cohesion)
multiple entities tend to “stick together”

membrii grupului trebuie să se afle în proximitate,
oferind astfel un grad de siguranță

determinarea poziției medii a entităților perceptibile



Flocking

evitarea (avoidance)
directing the group to move away from given things

implică existența capacităților de detecție a obiectelor,
plus observarea mediului înconjurător



Flocking

alinierea (alignment)
keeping all of the entities in the group
aligned in approximately the same direction

ajustarea direcției trebuie să se realizeze gradual

noua direcție poate fi determinată
doar pe baza celei mai apropiate entități


Flocking

alte comportamente posibile, implementate în unele jocuri:

cruising
decide ce direcția va avea entitatea, daca ea rămâne singură



Flocking

alte comportamente posibile, implementate în unele jocuri:

stay within bounds
constrânge entitatea de interes să se miște într‐un areal dat



Arbori decizionali (decision trees)

uzual, nu se ia în considerație starea sistemului (stateless)

la fiecare iterație, întregul arbore este evaluat
entitățile apar ca fiind indecise, în unele cazuri



arbore de decizie simplu asociat unui personaj NPC


Automate cu stări finite (finite state machines)

se evaluează starea curentă,
pentru a se decide dacă are loc o tranziție de stare

de asemenea, se folosesc pentru realizarea animațiilor și
pentru menținerea stării generale a jocului (game state)



automat utilizat în procesul decizional al unui NPC


automat modelând
starea jocului



Sisteme bazate pe reguli (rule‐based systems)

regulile pot fi specificate a‐priori sau se pot ajusta dinamic

unei reguli i se pot asocia caracteristici: punctaj, prioritate,…

situațiile complexe pot necesita
recurgerea la un sistem de interferență (inference engine)
conform logicii folosite – e.g., calcul cu predicate



Rule 1:
Conditions: Player in View
Decision: Attack
Rule 2:
Conditions: Player not in view, not chasing, on patrol path
Decision: Patrol Path
Rule 3:
Conditions: Player not in view, not chasing, not on patrol path
Decision: Go to Patrol Path
Rule 4:
Conditions: Player not in view, chasing, chase time limit has not expired
Decision: Chase Player
Rule 5:
Conditions: Player not in view, chasing, chase time limit has expired
Decision: Go to Patrol Path



Comportamente bazate pe lider (Squad behaviors)

una dintre entitățile grupului este aleasă ca lider,
luând deciziile pentru întreg grupul

uzual, membrii grupului se vor comporta
conform ordinelor din partea liderului



Comportamente bazate pe lider (Squad behaviors)

fiecare membru al grupului are asociat un automat
pe baza căruia realizează acțiunile specificate:
așteptarea unei comenzi & mișcarea spre punctul țintă



Comportament programat via scripting

fiecare entitate poate reacționa la diverse evenimente tratate
prin intermediul script‐urilor – incorporate sau externe

exemple:
Civilization IV recurge la programe Python externe
Game Maker are suport pentru limbajul GML + editor vizual



jocuri cu 2 oponenți


Specificarea jocului cu 2 oponenți

starea inițială:
configurația jocului (e.g., poziția pieselor) + cine mută primul
mulțimea operatorilor definind mutările legale
testul de terminare (terminal test)
funcția de utilitate: oferă valoarea numerică a rezultatului
de exemplu, câștig=1, pierdere=‐1, remiză=0



Un joc cu 2 oponenți poate fi considerat
ca fiind o problemă de căutare



Decizii perfecte: MIN‐MAX

cei doi jucători sunt numiți MAX si MIN,
cu MAX primul la mutare




MAX va realiza o căutare a secvenței de mutări ce conduc
la o stare de terminare a jocului în care este câștigător
conform funcției de utilitate




MAX trebuie să găsească o strategie de câștig,
în mod independent de mutările lui MIN

de exemplu, determinarea mutării corecte a lui MAX
pentru fiecare mutare posibilă a lui MIN




strategia optimală pentru MAX e dată de algoritmul minimax

generarea tuturor stărilor jocului
aplicarea funcției de utilitate pentru stările terminale
pe baza valorii acesteia, se poate calcula funcția de utilitate
pentru stările anterioare, până la cea inițială
MAX face mutarea ce duce la obținerea valorii celei mai mare


pentru a fi victorios, MAX va face mutarea de deschidere A1
replica lui MIN cea mai bună va fi A11



Decizii imperfecte: alpha‐beta pruning

utilizarea de euristici pentru a evalua utilitatea
& condiția de terminare

arborele stărilor de joc nu mai este complet generat



Jocuri bazate pe șansă

arborele jocului va trebui să includă și noduri de tip chance,
alături de cele de tip MAX si MIN

în loc de valoarea minimax, se va calcula o valoare anticipată
(expected value) conform unei funcții expectimax



arborele jocului de table (Russel & Norvig, 1995)


orice sistem poate fi privit ca fiind un agent software
(Enrico Franconi, 2003)


Agent software inteligent
entitate care percepe mediul și acționează
conform cunoștințelor deja acumulate
(internal declarative body of knowledge)

aceste cunoștințe trebuie modelate
astfel încât să poată fi înțelese de către mașină



Puncte de vedere:

agenții ca entități comportamentale

agenții ca descriere a atributelor acestora



Aspect important:

autonomia
un agent este un sistem computațional capabil
să realizeze acțiuni autonome în cadrul unui mediu



Agenții ca entități comportamentale
agere (lat.)
asocierea calităților umane mașinilor

înțelegerea comportamentului & semanticii
sistemelor complexe (McCarthy, 1977)

interfață om‐calculator: metafore & interacțiune
“Ne pare rău, nu există trupe disponibile pentru misiune”


Agenții ca entități comportamentale

sisteme intenționale: decizii & scopuri

convingeri, dorințe, intenții, planuri

exemplu: termostat – agent trivial (neinteresant)



Agenții ca sisteme intenționale
comportamentul uman e prezis și explicat
via atribuirea de atitudini (attitudes)
noțiuni
intenționale
credința, dorința, frica, speranța etc.

“Simina muncește din greu,
fiindcă dorește să termine proiectul.”


Agenții ca descriere a atributelor lor
entități software posedând funcții comportamentale,
rulând autonom și continuu
în medii colective, compuse din alți agenți/procese

a se parcurge J. Bradshow, Software Agents,
AAAI Press/MIT Press, 1997


Agenții ca descriere a atributelor lor
reacție
autonomie
colaborare
personalitate
adaptabilitate
inferență
mobilitate
…


Agenții implică termeni/cunoștințe din:
calcul distribuit
inteligență artificială
interacțiune om‐mașină
inginerie software
filosofie
lingvistică
psihologie


inteligență artificială

reprezentarea cunoștințelor și a contextului
modelarea mediului
cunoașterea acțiunilor: pre‐condiții, efecte, chaining
raționament, deducere automată
învățare automată (machine learning)



calcul distribuit

inter‐comunicare
client/server vs. peer‐to‐peer
servicii Web
negocierea mesajelor
pervasive computing



agenții în context – conform Miles Davis, 2008


Agenții trebuie să asigure autonomia și continuitatea
acțiunilor întreprinse

capabili să acționeze în mod flexibil și inteligent,
adaptându‐se situațiilor survenite
fără aportul utilizatorului



Ideal, un agent trebuie să învețe din propria‐i
experiență și să dezvolte tehnici de comunicare
și de cooperare cu alți agenți și/sau
să manifeste mobilitate



Utilizarea termenului “agent”:
agenți de interfață
personaje animate (embodied agents)
agenți BDI – logică & raționament automat
agenți mobili
agenți autonomi & reactivi – robotică
agenție a mulți‐agenților
…



Exemplu:
embodied agents

grafică generată de computer
animație artistică
caracter inteligent al comportamentului



O taxonomie a agenților – conform (Tim Jones , 2003)


Sistem multi‐agent
sistem compus din mai mulți agenți,
care interacționează unul cu altul

Michael Wooldridge, 2002




în general, agenții reprezintă interesele utilizatorilor
(scopuri & motivații)

pentru o bună interacțiune,
agenții trebuie să poată coopera, coordona și negocia



fiecare agent posedă informații sau prezintă funcționalități
incomplete agentul nu poate rezolva problema
(luată în ansamblu), în mod individual

datele procesate sunt descentralizate
calculul se desfășoară asincron
nu există un control global al sistemului



Modelare formală
Cooperare
Planificare
Comportament
Comunicare inter‐agenți
Dezvoltare
Inginerie – agent‐oriented paradigm



Cadre de dezvoltare a agenților (frameworks)
e.g., JADE (Java Agent Development Environment), Cybele

Sisteme multi‐agent
comunicare via FIPA ACL
eventual, având capacități de mobilitate

Obiecte mobile
exemplu: agleți Java


sistem
multi‐
agent

conform (Jones, 2003)


game development
inteligența artificială în contextul jocurilor
noțiuni fundamentale privind agenții software


Game computing: tehnici AI

Recomendados

Recomendados

Mais conteúdo relacionado

Mais de Sabin Buraga

Mais de Sabin Buraga (20)

Game computing: tehnici AI