Коммунальная система
В видеоиграх ИИ , служебная система , или служебный ИИ , — это простой, но эффективный способ моделирования поведения неигровых персонажей . Используя цифры, формулы и баллы для оценки относительной выгоды возможных действий, можно присвоить полезность каждому действию . Затем поведение можно выбрать на основе того, какой из них наберет наивысшую «полезность», или используя эти оценки для затравки распределения вероятностей для взвешенного случайного выбора. В результате персонаж выбирает «лучшее» поведение для данной ситуации на данный момент, основываясь на том, как это поведение определяется математически.
Ключевые понятия
[ редактировать ]Понятие полезности существует уже много столетий – прежде всего в математически зависимых областях, таких как экономика . Однако его также использовали в психологии , социологии и даже биологии . Из-за этой предпосылки и естественной природы необходимости преобразовывать вещи в математические вычисления для компьютерного программирования это было естественным способом проектирования и выражения поведения игровых персонажей.
Естественно, разные архитектуры ИИ имеют свои плюсы и минусы. Одним из преимуществ служебного ИИ является то, что он создается меньше «вручную», чем многие другие типы игровых архитектур ИИ. [1] Хотя поведение в коммунальной системе часто создается индивидуально (и вручную), взаимодействия и приоритеты между ними по своей сути не определены. Например, деревья поведения (BT) требуют от дизайнера последовательного указания приоритетов, чтобы проверить, нужно ли что-то делать. Только если это поведение (или ветвь дерева) НЕ выполняется, система дерева поведения не сможет проверить следующее.
Для сравнения, во многих системах полезности поведение сортируется по приоритету на основе оценок, полученных в результате любого математического моделирования, определяющего каждое данное поведение. По этой причине разработчику не требуется точно определять, где новое поведение «вписывается» в общую схему, состоящую из тысяч «узлов» поведения в BT. Вместо этого основное внимание уделяется простому определению конкретных причин, по которым рассматриваемое отдельное поведение будет полезным (т.е. его «полезность»). Затем система принятия решений оценивает каждое поведение в соответствии с тем, что происходит в мире в данный момент, и выбирает лучшее. Хотя необходимо позаботиться о том, чтобы гарантировать соблюдение стандартов и чтобы все оценки поведения основывались на одних и тех же или схожих предпосылках, «тяжелая работа» по определению того, как обрабатывать десятки – или даже сотни – различных вариантов поведения, перекладывается на дизайнера. и внедрить в исполнение самой системы.
Фон
[ редактировать ]Раннее использование
[ редактировать ]Числа, формулы и баллы десятилетиями использовались в играх для определения поведения. Даже такая простая вещь, как определение заданного процента вероятности того, что что-то произойдет (например, 12% шанс выполнить действие X), было ранним шагом к созданию полезного ИИ. Однако только в начале 21 века этот метод начал приобретать более формализованный подход, который теперь обычно называют «полезным ИИ».
Математическое моделирование поведения
[ редактировать ]В The Sims (2000) текущая «потребность» NPC в чем-то (например, в отдыхе, еде, социальной активности) сочеталась с оценкой объекта или деятельности, которая могла удовлетворить ту же самую потребность. Комбинации этих значений давали оценку действию, которое сообщало симу, что ему следует делать. Это было одно из первых видимых применений служебного ИИ в игре. Хотя сами игроки не видели расчетов, они были осведомлены об относительных потребностях сима и различной степени удовлетворения, которую могут обеспечить объекты в игре. Фактически это был основной механизм игрового процесса.
В The Sims 3 (2009) Ричард Эванс использовал модифицированную версию распределения Больцмана , чтобы выбрать действие для сима, используя температуру низкую , когда сим счастлив, и высокую, когда у сима дела идут плохо, чтобы сделать его более приятным. вполне вероятно, что будет выбрано действие с низкой полезностью. [2] Он также включил в Sims «личностей». Это создало своего рода трехосную модель — расширение числовых «потребностей» и «ценностей удовлетворения» за счет включения предпочтений, чтобы разные NPC могли реагировать иначе, чем другие, в одних и тех же обстоятельствах, в зависимости от их внутренних желаний и побуждений.
В своей книге « Поведенческая математика для игрового ИИ » [3] Дэйв Марк подробно описал, как мысленно думать о поведении с точки зрения математики, включая такие вещи, как кривые отклика (преобразование изменяющихся входных переменных в выходные переменные). Он и Кевин Дилл продолжили читать многие из первых лекций по теории полезности на AI Summit ежегодной конференции разработчиков игр (GDC) в Сан-Франциско, в том числе «Улучшение моделирования решений ИИ с помощью теории полезности» в 2010 году. [4] и «Освоение темного искусства математического моделирования в искусственном интеллекте» в 2012 году. [5] Эти лекции послужили внедрению служебного ИИ в качестве широко используемой архитектуры наряду с конечными автоматами (FSM), деревьями поведения и планировщиками.
«Коммунальная система»
[ редактировать ]В то время как работы Ричарда Эванса и последующих программистов искусственного интеллекта во франшизе Sims, таких как Дэвид «Рез» Грэм, [6] в значительной степени основаны на служебном искусственном интеллекте, Дэйв Марк и его коллега из ArenaNet Майк Льюис выступили с лекцией на AI Summit во время GDC 2015 года о полностью автономной архитектуре, которую он разработал, Infinite Axis Utility System (IAUS). ). [7] IAUS был спроектирован как управляемая данными, автономная архитектура, которая после подключения к входам и выходам игровой системы не требовала особой поддержки программирования. В каком-то смысле это делало его похожим на деревья поведения и планировщики, где человек, принимающий решения, был полностью установлен, и команде разработчиков предоставлялось право добавлять варианты поведения по своему усмотрению.
Утилита с другими архитектурами
[ редактировать ]Кроме того, вместо отдельной архитектуры другие люди обсуждали и представляли методы включения расчетов полезности в существующие архитектуры. Билл Меррилл написал отрывок в книге Game AI Pro . [8] под названием «Включение решений по коммунальным предприятиям в существующее дерево поведения» [9] с примерами того, как переназначить селекторы в BT для использования математических вычислений на основе утилит. Это позволило создать мощный гибрид, сохранивший большую часть популярной формальной структуры деревьев поведения, но допускавший некоторые нехрупкие преимущества, которые предлагала полезность.
Принятие решений коммунальными предприятиями происходит относительно быстро с точки зрения производительности в реальном времени по сравнению с более затратными в вычислительном отношении подходами к планированию, такими как поиск по дереву Монте-Карло . В основном это связано с тем, что система полезности является реактивной, т. е. выбирает решение на основе текущего состояния. Подходы к планированию предполагают своего рода поиск, позволяющий рассмотреть различные сценарии будущего за счет тяжелых вычислений. Однако обе архитектуры можно комбинировать. В докладе на конференции об искусственном интеллекте в тактических войсках: игра Anthracite Shift, [10] Система Utility отвечает за принятие стратегических решений на высоком уровне, тогда как Tree Search Монте-Карло отвечает за глубокие тактические ситуации, требующие более точного планирования.
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ Марк, Дэйв (август 2012 г.). «Архитектуры искусственного интеллекта: кулинарный гид» .
- ^ Эванс, Ричард. «Моделирование индивидуальности в The Sims 3» . Хранилище GDC . стр. 36–38 . Проверено 21 сентября 2015 г.
- ^ Марк, Дэйв (март 2009 г.). Поведенческая математика для игрового ИИ . ISBN 978-1584506843 .
- ^ Марк, Дэйв; Дилл, Кевин (2010). «Улучшение моделирования решений ИИ с помощью теории полезности» . Хранилище GDC .
- ^ Марк, Дэйв; Дилл, Кевин (2012). «Освоение темного искусства математического моделирования в искусственном интеллекте» . Хранилище GDC .
- ^ Грэм, Дэвид «Рез» (сентябрь 2013 г.). «Введение в теорию полезности» (PDF) . ИграAIPro .
- ^ Марк, Дэйв; Льюис, Майк (2015). «Создание лучшего Кентавра: искусственный интеллект в огромных масштабах» . Хранилище GDC .
- ^ Рабин, Стив (сентябрь 2013 г.). «Игровой AI Pro» . Амазонка .
- ^ Меррилл, Билл (сентябрь 2013 г.). «Включение решений по коммунальным предприятиям в существующее дерево поведения» (PDF) . ИграAIPro .
- ^ Свеховский, Мацей; Левински, Дэниел; Тил, Рафал (5 декабря 2021 г.). Объединение служебного искусственного интеллекта и MCTS для создания интеллектуальных агентов в видеоиграх с примером использования тактических войск: Anthracite Shift . Серия симпозиумов IEEE по вычислительному интеллекту (SSCI) . Орландо, Флорида, США: IEEE. стр. 1–8. дои : 10.1109/SSCI50451.2021.9660170 .